迭代学习控制是近二十年来发展起来的一种新的智能控制方法。在实际工业过程控制中,很多复杂工业过程都具有某种可重复的特性。迭代学习控制就是根据工业对象的这种特性,利用系统先前的控制经验和输出误差来修正当前的控制信息,使系统输出尽可能收敛于期望值;它是一种离线的学习过程,不依赖于动态系统的精确数学模型(无需辨识系统的参数,属于基于品质的自学习控制);能以非常简单的方式处理不确定度相当高的动态系统,且仅需较少的先验知识和计算量,适应性强,易于实现;受到了控制界的广泛关注。 实际的控制系统都是非线性系统,完全线性的系统是不存在的。因为组成控制系统的组件其静态特性都存在着不同程度的非线性。严格来说,非线性系统才是最一般的系统。而线性系统只是其中的特殊情况,因而研究非线性系统更能发掘自然界的本质。 在各种实际系统中,由于系统变量的测量,设备的物理性质和物质及信号的传递等因素的存在,时滞现象普遍存在。由于时滞的存在,往往使系统的性能指标下降,甚至造成系统的不稳定,因此,对于时滞系统的研究,越来越引起人们的注意,对此类问题的研究具有较强的理论和实践意义。但对时滞系统的研究,不论从数学理论上还是工程实际中,都是非常困难的。目前该领域的理论研究中仍有许多问题尚待解决。 本文针对一类具有非线性、时滞的系统,提出了考虑初始条件不确定性的鲁棒PD型迭代学习控制算法。该算法不仅考虑了系统前馈和实时反馈的影响,而且能够对初始偏差进行修正,论文给出了这类系统的输出极限轨迹,以及迭代输出收敛于该极限轨迹的较弱的充分条件,并可将初始条件放宽为任意可达的、具有可重复性的初始状态函数。最后本文给出了算法的鲁棒收敛性证明,仿真例子进一步验证了该算法的有效性。