迭代学习控制作为一种新兴的智能控制方法,自上世纪80年代以来得到了迅速发展。基于实际应用中很多复杂的工业控制过程都具有某些可重复性的特点,迭代学习通过引进学习机制,不断积累被控对象信息,并在线实现对控制器的设计及改进,即将在线学习、控制系统性能改善的功能综合于一个算法中,并通过工业过程的不断重复予以实现。对于对象存在的非线性或者不易建立精确数学模型造成的不确定性问题,迭代学习控制起到了良好的改善作用,它在学习过程中可以不断弥补缺乏的先验知识,从而实现系统性能的逐步改善。但是单纯的迭代学习控制往往无法很好的满足实际的工业控制需求,目前国内外很多研究将这一控制技术与其他先进的控制技术相结合,例如最优控制、神经网络、自适应控制等。本论文以黄酒发酵这一间歇生产过程为背景,针对其重复性的特点,以迭代学习控制算法作为工具,对发酵过程进行控制以提高产品质量。本文的主要工作有:(1)利用基于参数辨识的迭代学习控制算法辨识线性时变模型的参数,并且将带遗忘因子的最小二乘法用于参数辨识。当间歇过程中的模型参数发生改变时,用参数辨识更新系统的模型,学习律的增益随之不断更新,保证算法的自适应性。该算法在一个典型的间歇反应器中进行了仿真,效果良好;(2)将神经网络与迭代学习控制算法相结合,利用神经网络优化迭代控制器参数,该算法通过神经网络的优化实现控制器参数的约束和优化求解,其基本思想是:通过每一次的迭代学习,在线学习被控对象特性,以使得一定的控制输入下被控对象的输出可以较好地跟踪输出期望值,并运用BP神经网络优化PID型迭代学习律的增益。此外,在每次迭代学习后,运用神经网络对当次输出数据优化计算,寻找本次的最优学习增益以替换原有的增益,进而获得更快的学习速率,在更少的迭代次数下满足控制性能的要求。本文将该算法用在黄酒发酵过程的温度控制中,通过仿真分析取得了良好的控制效果,说明了算法的可行性。