中文摘要：

由于实际系统重复精度的限制，迭代学习控制系统沿整个作业区间的完全跟踪性能是无法实现的。本项目研究任意初始定位下迭代学习控制系统的实际完全跟踪方法，从探讨这种跟踪性能的实现途径入手，形成"嵌入"迭代学习机制的有限时间控制策略。构造鲁棒自适应学习机制，分析其估值有界性和闭环系统鲁棒性能。基于提出的断续函数连续化措施，设计自适应鲁棒迭代学习控制器，实现沿预定区间零误差跟踪。就未限幅学习、非线性参数化或非参数化、控制方向未知等典型问题，挖掘分析与设计技巧，扩大理论适用范围。推广Barbalat-Like引理，形成重复系统分析方法。研究学习逼近手段，克服逼近误差对迭代收敛性影响，给出基于学习逼近器的迭代学习控制器设计。开发含强非线性特性受控对象的迭代学习控制技术，扩展工程适用性。搭建直线伺服系统实验平台，验证所提出控制方法的有效性，形成实际可应用的迭代学习控制技术。

结论摘要：

迭代学习控制作为一种精确控制方法，其特征表现在能够实现完全跟踪，系统响应无瞬态过程，以及关于不依赖于迭代的干扰的完全抑制。然而，由于实际重复精度的限制，沿整个作业区间的完全跟踪性能是无法实现的。本项目针对迭代学习控制系统的初始条件问题，形成实际完全跟踪的提法，从探讨这种跟踪性能的实现途径入手，给出多种有限时间吸引策略；将迭代学习机制与有限时间吸引策略相结合，提出有限时间迭代学习控制与迭代学习有限时间控制方案，给出控制器设计和性能分析方法。与轨迹修正方法不同，提出误差跟踪迭代学习控制系统设计方法，能够实现受控系统对于期望误差轨迹的完全跟踪。构造鲁棒自适应学习机制，分析其估值有界性和闭环系统鲁棒性能。深入剖析部分限幅与完全限幅学习算法的特征。基于断续函数连续化措施，不改动原鲁棒控制器结构，设计鲁棒迭代学习控制器，实现沿预定区间零误差跟踪。鉴于有限区间动态系统上重复运行特征，利用、推广已有处理不确定性的各种方式，提出不确定特性刻画方式，将自适应与鲁棒处理手段相结合，给出不确定动态系统的学习控制方法。提出基于分式型Barrier-Lyapunov函数的约束学习控制器设计，基于控制Lyapunov函数的次优学习控制器设计； 推广Barbalat-Like引理，形成重复系统分析方法。并就非线性参数化或非参数化、控制方向未知、强非线性特性、未限幅学习、非一致轨迹等典型问题，挖掘分析与设计技巧，扩大理论适用范围。研究离散时变系统的自适应迭代学习控制理论，就线性增长条件、迭代域的关键技术引理、分析手段等展开讨论。进一步研究时变非线性系统的一阶特征建模理论，以及基于这类模型的参数估计与控制问题，提高工程适用性。由通常考虑的定常逼近入手，讨论学习逼近问题。探讨学习逼近用于非线性时变系统建模，分别采用时变动态神经网络和时变TS模糊系统作为逼近器，以迭代学习算法进行时变权值估计的迭代更新，实现网络训练。给出基于学习逼近器的迭代学习控制器设计，克服逼近误差对迭代收敛性的影响，搭建伺服系统实验平台，验证所提出控制方法的有效性，形成实际可应用的学习控制技术。