中文摘要：

研究基于Lyapunov方法的适应迭代学习控制(ILC)理论的基本问题及控制器设计方法。解决初始定位条件、非一致期望轨迹、学习区间变化、学习周期未知等基本问题。构造闭环P型迭代(微分)学习律，回避全局Lipschitz条件，保证闭环系统的稳定性收敛性。研究处理动力学特性中不确定性项及其界函数的时变参数化方法。设计带有投影算子的迭代学习律，使得时变参数估值囿于预定范围。提出非直接适应ILC以及与直接适应ILC相结合的控制技术，并讨论保证估值收敛的持续激励条件。讨论适应稳定系统逆方法，解决非最小相位系统的控制问题。研究含非光滑非线性特性的受控对象，扩展适应ILC的工程适用性。开发适当观测器技术实现输出跟踪。采用逼近技术设计控制器。提出含邻域修正Lyapunov函数和逼近误差估计方案，以克服逼近误差对收敛性的影响。研究离散适应ILC，增强工程可应用性。研制精密定位系统，探讨适应ILC的应用价值。

结论摘要：

针对实际中存在的大量重复运行过程, 研究基于Lyapunov-like方法的学习控制系统分析和综合方法, 为实际过程的高速高精度控制提供先进策略. 提出了有限时间边界层、初始修正作用和变阶学习手段解决初始定位问题，探讨了未知期望初态、非一致期望轨迹、变学习区间等基本问题. 通过梳理迭代学习、周期学习和重复学习机理, 为处理动力学特性中的时变不确定性提供了系统的时变参数化方法. 依据有限区间离散时变系统的运行特点和系统建模三要素, 给出了迭代独立的有限区间时变参数的迭代学习辨识提法. 并且, 提出了基于这种系统辨识的间接迭代学习控制方法, 以便计算机控制系统的实现. 从理论上证明了完全限幅学习的收敛性, 使得时变参数估值囿于预定范围. 设计重复学习观测器, 解决了存在时变参数不确定性时的状态观测问题. 基于神经网络逼近设计学习控制器, 提出了逼近误差估计方案, 以克服逼近误差对收敛性的影响. 讨论了非最小相位系统、含强非线性特性受控对象的学习控制问题, 扩展学习控制的工程适用性. 搭建了直线伺服系统, 为认识学习控制理论在提高系统精确跟踪性能方面的作用提供验证平台.