迭代学习控制是人们在为了解决高速运动的工业机器人实际控制需求的研究中所提出的一种学习控制算法,这种算法非常适合用于具有重复运动特点的被控对象,以实现对被控系统期望轨迹的完全跟踪。迭代学习控制是人工智能与自动控制相结合所产生并不断发展着的一种控制技术,是智能控制技术中的一个重要的研究及发展方向。迭代学习控制具有类似人类学习过程,它是利用系统的先前的控制经验,并根据所测量的系统输出信号与期望的理想输出信号来寻找一个理想的控制输入,以使得被控对象能产生期望的运动,而这个寻找的过程就控制器学习的过程。因而,这种算法可用于系统数学模型不确定或难以精确建模的控制对象、非线性时变系统等的控制中。迭代学习控制与其他控制方式相比,具有不依赖被控制系统精确模型且能充分利用系统先前的控制信息来构成当前的控制输入,同时其算法简捷易于实现、控制效果显著,因而近年来得到了各国学者的广泛关注。　　迭代学习控制的具体研究内容主要包括学习律的研究,学习控制的收敛性研究、学习控制过程的鲁棒性,收敛速度及初值问题、分析方法及应用等。而本文主要就迭代学习控制的学习律问题和算法的应用两方面展开研究。在学习律方面,本文首先根据对传统PID型迭代学习控制进行分析,得到了一种新的学习律,而后又利用几何分析方法又得出了另外一种新型的学习律,同时也对所得到的新算法的收敛性进行了证明。在迭代学习的应用研究中,本文首先将之前所得到的新算法在工业机器人控制系统中的应用进行了研究。工业机器控制是迭代学习控制应用最早也是最多的领域,目前迭代学习在工业机器控制的成功应用实例有很多如ABB的一商业激光切割机器人。但传统的学习律在机器人的应用中也有很多不足之处,故研究新型学习律算法在工业机器人系统中的应用是很有必要的。虽然迭代学习控制在机器人控制领域中的应用研究非常多也取得了很多成果,但在其工业控制领域中应用研究却比较少,而迭代学习控制的发展和壮大离不开将其推广到其它控制领域的研究,基于这种想法本文最后对迭代学习控制算法在零速接纸机的张力控制系统中的应用进行研究讨论。