本文针对迭代学习方法在非严格重复系统控制中的理论问题,开展迭代学习控制系统的鲁棒性、自适应性与收敛性分析研究,并佐以仿真与实验验证。诸多传统迭代学习控制方法要求被控对象满足严格可重复性,该前提是保证系统性能的关键因素之一。然而实际系统中存在的时延、不确定性和其他复杂因素的影响,以及非马尔科夫系统(特别是分数阶系统)本身记忆性的固有存在,使得系统难以满足严格可重复性,从而影响迭代学习控制效果,甚至保障系统严格可重复性本身的难度会远大于控制系统设计。因此,在实际问题中,当系统非严格可重复时,应用传统的迭代学习控制方法,其理论分析结果与实际应用效果差别较大。尽管可以通过适当引入反馈环节并利用鲁棒控制与自适应控制领域丰富的结论提高迭代学习控制系统整体的效果,但是如何从根本上消除被控对象的非严格重复性对迭代学习控制系统的影响具有十分重要的理论意义与应用价值,是对现有学习控制体系的有益补充。时延是导致系统不可重复的重要因素,因此时延系统本身即为一类典型的非严格重复系统。本文首先针对固定时延系统和时变时延系统进行研究,然后针对具有一般意义的非严格重复系统进行分析。本文研究并设计了几类具有代表性的迭代学习控制器:线性迭代学习控制器、非线性参数型迭代学习控制器和鲁棒自适应迭代学习控制器等,并将其应用于各类时延系统中。由于迭代学习控制作为一类典型的前馈控制,其鲁棒性能有待提高,因此本文将前馈控制与反馈控制相结合,设计鲁棒自适应迭代学习控制器,有效提高了非严格重复系统的控制效果。为提高迭代学习控制系统的自适应性,设计了参考值型学习律,在参考值轨迹不精确已知但满足一定规律的情况下仍可实现精确跟踪。本文的收敛性分析既包括收敛条件分析,又包括收敛速度分析。在收敛性分析中,虽然迭代学习控制的特点之一是不需要精确的数学模型,但是由于各类不确定性以及系统复杂性的增加,收敛性分析需要利用系统的某些结构信息、关键参数估计和控制器增益辨识,因此本文通过引入迭代学习辨识的方法,对某些关键要素进行有效分析,从而有助于设计性能更佳的控制器,进一步提高系统性能。特别是重点针对非严格重复系统(包括整数阶系统与分数阶系统)的预调进行研究,分析了动态系统在初始时刻之前的历史是如何影响当前控制系统的性能。同时,提出了预调与初始化的概念,从而在保证系统性能的前提下,通过无损预调提高迭代学习控制效果。综上所述,本文针对非严格重复系统的迭代学习控制领域亟待解决的若干关键问题进行了理论、仿真与实验研究。针对典型的非严格重复系统-时延系统以及具有一般意义的整数阶与分数阶非严格重复系统进行研究,分析收敛域以扩大收敛范围,通过引入反馈环节增强了系统的鲁棒性与自适应性,通过关键参数估计优化了迭代学习控制的收敛速度,通过初始化分析与无损预调进一步提高了非严格重复系统迭代学习控制的效果,搭建了理论与应用的新桥梁。本文通过大量仿真结果与机械臂半物理模型对本文结论进行仿真验证,通过NAO机器人实验与刀片磨削应用实验验证了迭代学习控制在非严格重复系统中的可行性,对迭代学习控制应用的推广具有较大作用。