摘要
在工业生产过程中，绝大多数的被控对象通常具备强非线性强耦合和不确定性等特点都将导致无法获取被控对象的准确模型。对于一般设计控制器方法无法确保系统实现准确控制。将不确定性系统智能算法自适应控制理论以和迭代学习控制有机组合成自适应迭代学习控制，通过迭代学习方法进行对控制器输入信号的修正，通过自适应理论对系统不确定部分进行修正更新。使其具备两者的长处，根据先前的控制以及当前跟踪误差寻找下一次的控制输入，机械臂等反复执行任务的非线性强耦合以及含有不确定性的系统研究拥有重要意义。 第一章，介绍本课题的研究背景以及实际研究意义，第二章，介绍自适应迭代学习控制的运行原理以及一些数学基础知识，为后续的几章节控制器设计研究提供理论基础。 第三章，本章针对参数不确定且迭代初值任意的系统，通过给出的修正参考信号构建方法来设计和任务轨迹相对应的初始修正轨迹。根据李雅普诺夫函数方式设计一种指数变增益自适应迭代学习控制器，通过一定次数的迭代最终实现在任务区间上对参考信号的精确跟踪;针对不同参考信号需要设计不同初始修正信号的缺点，提出采用构建误差期望轨迹方案，并给出误差轨迹跟踪控制算法研究，最终在非一致任务轨迹上实现有效跟踪，所给的两个仿真例子验证了其有效性。 第四章，理想情况下，上一章研究的构造修正参考信号的初值和期望误差信号的初值是要求与系统真实初值相等，实际中很难保证二者相等，这将导致跟踪效果变差，跟踪速度变慢。本章讨论了针对不满足迭代初始条件下，设计初始段修正加速的指数变增益自适应迭代学习控制器和初始段修正加速的指数变增益自适应迭代学习误差跟踪控制器，引入时变初始修正函数对上述两种方法的分别的误差函数进行修正加速。 第五章，首先针对含有不确定性扰动及未知参数的机械臂动力学模型，分别设计迭代初值固定以及初值满足始末一致条件约束下的自适应迭代学习控制器，并基于上两章研究的控制算法，将初始段修正加速思想以及误差轨迹跟踪研究运用到含有不确定性扰动及未知参数的机械臂动力学模型，通过仿真验证其有效性。 第六章，对本文研究的主要内容做出总结，以及对未来研究方向做出更进一步的展望。
NETL