迭代学习控制(ILC)无需精确已知受控对象动力学特性,可利用重复操作过程中测得的I/O数据修正控制输入,实现有限时间上的完全跟踪,ILC现已成为智能控制领域的重要发展方向并在工业过程中广泛应用。传统的迭代学习控制方法因为其固定的学习律形式不能很好的适应系统的变化以及外界的干扰。虽然自适应迭代学习控制学习律具有自学习的优点,但是大多要求已知非线性参数的线性化结构。即需要已知系统的模型信息。从而与迭代学习控制本质上属于几乎无模型的方法相背离。(1)本文针对一类结构已知的非线性参数化不确定系统,提出了带有死区设计的自适应迭代学习控制方案,控制器的设计和分析不需要相同的初始条件和相同参考轨迹,并给出了收敛性分析,从理论上证明了方案的可行性。最后仿真结果证明方案的有效性,这使得自适应迭代学习控制的应用范围更广。(2)论文进一步针对上述非线性参数化系统,利用神经网络对系统的非线性部分进行迭代逼近,提出了基于多模型切换的自适应ILC方法,该方法通过设定切换规则,可以进行非线性补偿,能够更快速,更准确的跟踪期望轨迹,保证信号的有界性,使系统得到较好的稳定性和性能表现,最后分别给出了多模型AILC和单模型AILC的仿真结果,表明该方案能够提高系统的控制性能。(3)针对一般结构、阶数均未知的非线性离散时间系统,提出了基于BP神经网络的无模型自适应迭代学习控制方案。该方案只需要受控系统的I/O数据,不必对系统建模,其控制器的分析和设计也不需要知道系统模型的任何信息,仅依靠系统的输入输出数据,就可以实现有限时间区间上的完全跟踪任务。该方法利用神经网络解决了寻找最佳的“拟伪偏导数”θ( k , t)的问题,因而具有实时性和快速性等优点。仿真表明此控制方案能够实现对未知对象的在线控制,且具备较好的自学习能力和适应控制环境变化的能力。