不完备数据下迭代学习控制的鲁棒性及控制系统设计

This project conducts research on the robustness of iterative learning control (ILC) under incomplete data and control system design, which is a frontier of ILC domain. The incomplete data, including passive and active incomplete data, means data loss or fragmentary data due to various factors. Passive incomplete data means the incomplete data and information caused by practical system limitation during data collecting, storing, transmitting, and processing stages, such as data dropouts, delays, disordering, and limited transmission bandwidth. Active incomplete data means the incomplete data and information caused by man-made reduction of data quantity and quality on the premise that the given objective is satisfied, such as sampling and quantization. This project focuses on two aspects, one of which is how to guarantee good learning performance and tracking performance under passive incomplete data, and the other one is how to balance the control performance index and data demand by actively means. The main research objectives include control robustness analysis in face of incomplete data, control system design under incomplete data condition, and experimental verification with actual systems. The conduct of this project will help to understand the restrictive relationship between incomplete data and tracking performance quantitatively, and promote further developments of ILC theory.

本项目开展不完备数据下迭代学习控制的鲁棒性与控制系统设计的研究，这一课题是迭代学习控制领域的研究前沿。其中不完备数据指由于各种因素导致的数据丢失或不完整，包括被动与主动不完备数据。被动不完备数据是指系统在采集、存储、传输、加工数据过程中受实际条件所限而导致的数据和信息损耗，包括数据丢包、延迟、错序、有限传输带宽等。主动不完备数据是指在满足给定目标的前提下，人为地降低所获取数据的数量和质量而导致的数据和信息损耗，包括采样、量化等。本项目着重考虑如何在被动数据不完备环境下保持良好的学习性能和跟踪性能，以及如何通过主动手段实现控制性能指标与数据需求量之间的平衡，主要包括面向不完备数据的控制鲁棒性分析、数据不完备环境下的控制系统设计以及实际系统实验验证等。本项目将有助于定量地理解不完备数据与跟踪性能之间的制约关系，促进迭代学习控制理论的发展。

本项目开展多种数据不完备情形下的迭代学习控制研究，旨在建立不完备数据下迭代学习控制的鲁棒性分析及控制系统设计框架，这一课题是迭代学习控制领域的研究前沿。主要研究内容包括数据丢包、批次变长度、衰减信道、点对点跟踪等被动不完备数据情形下与采样、量化、多智能体协同跟踪等主动不完备数据情形下的迭代学习控制问题。.在数据丢包方面，提出了间歇型与连续型更新算法，首次建立了输入端输出端同时存在数据丢包场景下的严格收敛性分析。在批次变长度方面，给出了连续时间情形的变长度建模，提出了缺失数据的多种补偿机制并建立了相应的学习控制算法。在衰减信道方面，提出了多种有偏信息的校正方案，建立了衰减信道环境下的迭代学习控制设计与分析框架，从数学上刻画了算法收敛速度与跟踪性能之间的制约关系。在点对点跟踪方面，提出了基于随机逼近算法与Kacamarz算法的迭代学习控制算法，明确了输入序列的收敛极限。在采样方面，给出了采样区间内最大跟踪误差的上界估计解析表达式，提出了一种实用变采样策略。在量化方面，提出了结合编解码机制的均匀量化方法，给出了编解码机制中尺度函数的选择方法。在多智能体协同跟踪方面，提出了智能个体动态存在状态受限与量测饱和等约束条件下的分布式迭代学习协同算法并给出了收敛性分析。上述研究成果填补了迭代学习控制领域在不完备数据环境的多个空白，给出了一系列原创性的算法设计与分析方法，推动了相关问题的研究进展。.项目研究成果共出版学术专著2部，发表学术论文70篇，其中SCI期刊论文53篇。本项目的研究揭示了迭代学习控制在应对不完备数据环境方面具有良好的鲁棒性，具有重要的理论价值和应用意义。