量化集值系统迭代学习控制理论及应用

In some practical iterative learning control systems, only set-value data is available. It is because that the system data is often quantized in the process of memory and communication due to the development of network-based control technology and big data technology. This project investigates the problem of iterative learning control theory for set-value systems and its application, and the main contents include as follows: (1) We address the relationship between data quantization level and convergence of iterative learning control systems, design robust iterative learning control for set-value systems and develop the coarsest quantizer that system performance can be guaranteed. (2) We consider the quantized iterative learning control with limit communication channel. The relationship among data quantization level, data dropout rate and data network-induced delay is considered. Then the framework of convergence and robust design for stochastic quantized iterative learning control is established. (3) We consider the application of proposed data quantization approach and robust iterative learning control scheme for unban freeway systems, and employ numerical simulation and also perform experiments on PARAMIC software with real traffic data to validate the effectiveness of theoretical results. This project can establish novel iterative learning control theory for systems with coarse information, which can reduce the cost of data acquisition, data memory and data communication. It also can provide effective iterative learning control for network-based control systems and big data based control systems. The study of this project has both significant theoretical value and application perspectives.

迭代学习控制的实际系统中，由于网络控制技术和大数据技术的发展和应用，系统中存储和传输的数据大多是经过量化压缩后的集值数据。本项目研究量化集值系统的迭代学习控制理论及应用，主要内容包括：（1）建立数据量化程度与迭代学习控制系统收敛性之间的关系，研究鲁棒迭代学习控制的设计和理论分析方法，探索基于重复性的数据最优量化方法。（2）综合网络基本参量约束，研究数据量化水平与数据丢失率、传输延时之间的关系，建立随机系统框架下量化迭代学习控制的收敛性分析理论和鲁棒控制器设计方法。（3）研究数据量化方法和鲁棒迭代学习控制在城市快速路系统的应用，以PARAMIC交通软件构建应用仿真平台，利用实际交通流数据验证理论的结果。本项目拟建立基于集值数据的迭代学习控制理论与方法，以此降低系统的数据存储和传输成本，为当前网络环境和大数据环境下的控制系统提供有效的迭代学习控制方法。项目的研究具有重要的理论价值和实际意义。

迭代学习控制的实际系统中，由于网络控制技术和大数据技术的发展和应用，系统中存储和传输的数据大多是经过量化压缩后的集值数据。此外，网络环境下系统不可避免地存在数据包丢失、传输延时以及随机噪声等不确定因素。本项目研究网络约束下量化集值系统的迭代学习控制理论及应用问题，取得的主要研究结果如下：. 1、建立了二维量化系统的基础理论，给出了存在数据量化和其他网络参量约束情况下系统的稳定和均方稳定条件，并给出了一系列满足稳定性、干扰抑制性能或保成本性能的量化控制器设计方法。. 2、在二维系统量化控制的基础上，将存在数据量化的迭代学习控制系统描述为二维系统，给出了一系列量化迭代学习控制以及相应鲁棒控制器的设计方法，并分析数据量化以及其他网络参量约束对系统跟踪性能的影响，在此基础上提出了几种利用较少信息可实现零跟踪误差的迭代学习控制方法。. 3、针对存在数据量化的未知非线性单个体系统和多智能体系统，给出了不依赖模型信息的数据驱动迭代学习控制以及数据驱动分布式迭代学习协调控制方法。该方法仅依赖单个体系统或多智能体系统的输入输出量化数据构造学习控制律，其收敛性分析也不依赖任何模型动态信息。. 4、将量化系统的迭代学习控制理论应用于城市道路入口匝道控制、工业注塑过程控制、高速列车速度跟踪控制以及焊接过程跟踪控制的实际问题中，通过仿真实验验证了方法的有效性。. 项目研究成果共发表学术论文57篇，其中SCI期刊论文26篇，EI收录论文23篇。发表的期刊包括《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Transactions on Systems, Man, and Cybernetics: Systems》等。在科学出版社出版专著1部，部分研究成果荣获河南省科技进步二等奖3项，荣获河南省自然科学学术论文一等奖1项以及国际会议最佳论文奖1篇，授权发明专利4项。本项目建立了基于量化集值数据的迭代学习控制和数据驱动迭代学习控制理论与方法，可为当前网络环境和大数据环境下的控制系统提供有效的控制方法，研究结果具有重要的理论价值和实际意义。