李艳辉 张 畅 周秀杰

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

迭代学习控制(Iterative Learning Control，ILC)在给定时间内以简单的学习算法可以实现对期望轨迹的高精度跟踪，其基本原理是利用先前的控制信息不断修正控制输入，使系统跟踪性能随迭代次数逐步得到改善，且不依靠精确的数学模型，因而被广泛应用于机器人、航天控制及工业生产等领域[1～3]。在工程控制中，系统的复杂性、元器件的老化和对系统的简化处理，都会导致其数学模型不精确，从而直接影响控制效果，因此，考虑系统的不确定性是十分必要的。文献[4]利用鲁棒控制律处理系统中的不确定性，将鲁棒控制与ILC相结合，实现对被控系统的零误差跟踪。文献[5]分别针对常参数化、时变参数化的不确定性，利用类Lyapunov方法设计控制器，实现对误差轨迹的完全跟踪，然而，当系统存在扰动时，文献[4，5]的跟踪效果将会受到影响，甚至导致系统不稳定。

在实际生产过程中不可避免地存在各种外界干扰，这些干扰会大大降低系统的控制性能，因此，许多学者对如何抑制扰动进行了深入研究[6～9]。文献[6，7]分别提出带有衰减因子或时变遗忘因子的迭代学习控制算法，利用因子来减少扰动对控制量的影响。然而，这两种算法虽具有良好的控制效果，却没有考虑系统中不可预见的参数变化。文献[8，9]针对存在干扰的情况，分别设计了不同的高阶ILC控制器，并给出了其收敛条件，但系统的输出误差仍较大，跟踪效果不理想。……