简介ILC_Simulink.rar 面向学习迭代学习控制ILC与 Simulink 仿真的控制工程初学者、课程实验学生及研究人员围绕周期性重复任务中的无静差跟踪问题提供可直接运行的传递函数被控对象与 ILC 算法仿真模型。压缩包共 14 个文件约 66KB包含 slx/slxc 模型、m 脚本、mat 数据、xml 配置及 Stateflow 相关文件便于查看模型结构、复现迭代过程并调整参数。已有 3983 人学习下载说明该案例在控制理论入门与仿真实践中具有一定参考价值。读者可据此理解误差计算、反馈校正、控制输入更新与饱和限制等环节观察多周期迭代下的输出曲线也可结合 Sum、Gain、Saturation 等模块分析控制输入更新策略并对比不同学习增益下的收敛速度开展参数对比、性能分析和二次开发适合课程实验、课题预研与工程控制方案验证。1. 从一组反复出现的误差说起做过直线电机或机械臂轨迹跟踪的人大概都撞过同一堵墙同一段轨迹反复跑几十遍每次的跟踪误差曲线几乎一模一样PID 增益调到执行器发出尖啸误差还是压不下去。原因不复杂——PID 是“当下反馈”它不知道上一轮在哪个时刻差了 0.3 mm。ILC迭代学习控制补的就是这一块把上一轮的误差当成下一轮的前馈修正写进控制量里让系统“记住”上次错在哪。这份 ILC_Simulink 资源包给的就是一套能在 Simulink 里直接跑起来的验证环境P 型、D 型、PD 型学习律各有对应模型配初始化脚本和收敛曲线绘制。它适合已经会搭基本控制回路、想把跟踪精度再压一个量级的开发者也适合要交实验报告但不想从零推公式的同学。前提得说清楚被控对象和执行器必须可重复ILC 对一次性任务没有价值。2. 模型骨架ILC 在 Simulink 里的两条技术路线打开这份资源包先别急着点运行。ILC 和普通反馈控制最大的差别在于它有两个时间维度一个是单次运行的采样时间 t一个是迭代批次 k。Simulink 原生是按 t 推进的仿真器怎么把 k 这一维塞进去决定了整套模型长什么样。这份资源里的模型分成两类组织方式先把这两种方式分清楚后面改起来才不至于改错地方。2.1 三条数据流参考轨迹、控制量缓存、误差回灌不管用哪种搭法ILC 回路里永远跑着三条数据流。第一条是参考轨迹 $y_d(t)$在每次迭代中完全相同这是 ILC 成立的物理前提第二条是控制量缓存 $u_k(t)$长度等于单次迭代的采样点数 N它在迭代之间被读取、修正、再写回第三条是误差回灌 $e_k(t) y_d(t) - y_k(t)$它是唯一携带“这次比上次好在哪”的信息通道。普通反馈控制里这三条流都在同一个仿真时间轴上流动用 Unit Delay 或者状态变量就能解决。ILC 不一样$u_k$ 必须跨仿真会话存活下来——sim()返回之后工作区里的变量还在但模型内部的信号早就清空了。所以这类模型的第一设计问题不是“控制器怎么写”而是“上一次迭代的控制量存在哪、下一次怎么读回来”。常见的做法有两种把整个 Simulink 模型当成一个被反复调用的函数由 MATLAB 脚本负责外层循环和变量管理或者把迭代循环也搬进 Simulink用 For Iterator Subsystem 在一个仿真会话里跑完 K 次。两种路线在资源包里都有对应模型选哪个取决于你要验证什么。2.2 路线一脚本驱动 sim() 反复调用最省心的做法我一般推荐新手从这条路线入手因为它的调试成本最低。Simulink 模型只负责“一次迭代”即给定 $u_k$ 和 $y_d$输出 $y_k$外层循环、误差计算、控制量更新全在.m脚本里断点、打印、画图都用 MATLAB 原生手段出问题一眼能看出来。代价是每次迭代都要重新初始化一次仿真K 50 次迭代大概要跑十几秒到几十秒做参数扫描时会有点熬人。这条路线的模型本身非常朴素一个 From Workspace 模块读入u_k一个 Discrete State-Space 或者 Transfer Fcn 表示被控对象一个 Sum 模块算误差输出端接 To Workspace 存y_out。整个 slx 里没有一处跟“迭代”有关的逻辑它就是个普通的开环/闭环仿真模型。真正的 ILC 逻辑全在脚本里这也意味着你换学习律的时候只需要动几行 MATLAB 代码不用碰模型。2.3 路线二For Iterator Subsystem 把迭代关在模型内部另一类模型把 K 次迭代塞进一次仿真。外层套一个 For Iterator Subsystem迭代变量 k 从 1 跑到 K子系统内部用 Data Store Memory 或者 MATLAB Function 里的 persistent 变量保存 $u$。这样做的好处是全流程可视化Scope 上能看到误差随着迭代次数一层层往下压演示效果很好坏处是调试困难——persistent 变量的初值只在第一次仿真时初始化改了参数重跑如果不clear就得重启 MATLAB这种坑我踩过不止一次。资源包里这类模型的结构大致是For Iterator 的迭代上限接一个 Constant 模块值等于 K子系统内部第一级是 MATLAB Function 实现的ilc_update它接收当前误差和上一次的控制量输出更新后的控制量控制量同时送进对象模块和 Data Store Write供下一轮迭代读取。这里有个隐蔽的点For Iterator 的每次迭代内部仍然要跑完 N 个采样点所以子系统里还得再套一层时间推进通常直接用对象的离散状态方程自然推进即可不需要额外的循环结构。2.4 变量生命周期To Workspace、assignin 与 persistent 的取舍三种变量存取方式各有适用面混用是新手翻车的高发区。To Workspace只负责把仿真结果搬出来它在仿真结束时写一次格式可以选 Array、Structure、Timeseries。选 Array 最省事输出的就是纯数值矩阵脚本里直接索引选 Timeseries 会包一层对象取值要写.Data多一层心智负担。assignin(base, u_k, u)是把脚本变量塞进基础工作区让模型的 From Workspace 能读到——注意这里有个前提模型的SrcWorkspace参数必须是base或者current如果模型配置里写死了parent或者别的assignin就白做了。persistent 变量活在 MATLAB Function 模块内部跨仿真会话保留适合路线二但它的清理时机不受你控制是调试时最烦人的一类黑匣子。提示三种方式不要在同一个模型里混着用来管同一个变量。$u_k$ 要么全程走工作区要么全程走 persistent混着用会出现“明明改了脚本但模型读的还是旧值”这种玄学现象。3. 核心模块拆解P 型、D 型、PD 型学习律的落地ILC 的学习律形式看起来简单得不像话一行公式就能写完但真落到离散仿真里误差取哪一拍、增益怎么定、末端怎么补每个细节都能让收敛曲线从漂亮变成发散。这一章按三种学习律逐一拆代码都是可以照着抄的结构。3.1 P 型学习律u_{k1} u_k Γ·e_k 的最简实现P 型的更新式是 $u_{k1}(t) u_k(t) \Gamma \cdot e_k(t)$逐点相加不需要任何微分或移位操作。Simulink 里对应一个 MATLAB Function 模块输入是当前误差向量和上一轮控制量向量输出更新后的控制量。function u_next ilc_p(e, u_prev, Gamma) %#codegen % P 型迭代学习律逐点累加误差 % e : 本次迭代的跟踪误差长度 N % u_prev : 上一次迭代的控制量长度 N % Gamma : 学习增益标量或对角矩阵 % u_next : 下一次迭代的控制量长度 N u_next u_prev Gamma .* e; end%#codegen这行注释不是装饰MATLAB Function 模块默认要求函数支持代码生成缺了它某些语法在编译期会直接报错。Gamma .* e用点乘而不是矩阵乘是为了兼容 Gamma 为标量和为对角阵两种情况——如果你后面要做多输入多输出Gamma 会变成一个方阵那时这里得改成Gamma * e并且保证维度对齐。逻辑上说清楚P 型只用到当前时刻的误差对于相对阶为 0 的系统传递函数分子分母同阶存在直接馈通项 D ≠ 0收敛性分析是干净的收敛条件可以写成谱半径 $\rho(I - \Gamma C B) 1$。单输入单输出且 $CB$ 为正实数时这个条件退化成 $0 \Gamma \cdot CB 2$工程上取 $\Gamma \approx 0.5 / (CB)$ 起步最稳。但如果你的对象是严格真的D 0比如电机位置控制里输入是电压、输出是位置中间隔了积分环节P 型的理论保证就弱了这时候该换 D 型。3.2 D 型与 PD 型误差移位和差分怎么做才不抖D 型的更新式是 $u_{k1}(t) u_k(t) \Gamma \cdot e_k(t1)$注意下标是 t1。意义在于对于相对阶为 1 的系统$u_k(t)$ 的影响要到 $t1$ 时刻才体现在输出上所以要用下一拍的误差来修正当前拍的控制量。直接照抄公式会遇到一个边界问题——$e_k(N1)$ 不存在。function u_next ilc_d(e, u_prev, Gamma) %#codegen % D 型迭代学习律用下一拍误差修正当前拍控制量 % 适用于相对阶为 1 的被控对象 e_shift [e(2:end); e(end)]; % 整体前移一拍末位用自身补齐 u_next u_prev Gamma .* e_shift; ende(2:end)丢掉第一拍[e(2:end); e(end)]在末尾补一个值把长度拉回 N。补e(end)而不是补零是因为补零相当于在末端强行认为误差为零会在最后一次迭代的结尾制造一个控制量的突跳反映到输出上就是末端几个采样点抖动。这个细节教科书上一般不写但实测影响不小。PD 型则是把两项叠起来$u_{k1} u_k K_p e_k K_d \dot{e}_k$微分项用后向差分近似function u_next ilc_pd(e, u_prev, Kp, Kd, Ts) %#codegen % PD 型迭代学习律比例项压稳态微分项压超调 de [0; diff(e)] / Ts; % 后向差分首拍导数为 0 u_next u_prev Kp .* e Kd .* de; end后向差分引入半拍相位滞后在采样率不高的时候会让 D 项变成噪声放大器误差曲线上那些高频毛刺会被 $\frac{1}{T_s}$ 放大后灌进控制量。我的习惯是给 D 项串一个一阶低通截止频率取采样频率的 1/10 左右宁可损失一点相位也不能让控制量抖成锯齿。3.3 学习增益 Γ 的取值与收敛条件验算增益定大了发散定小了收敛慢这个权衡没有一劳永逸的公式但有个可操作的流程。先算被控对象的 $CB$离散状态空间里就是 $C \cdot B$传递函数形式下是脉冲响应第一个非零值取 $\Gamma_0 0.5 / |CB|$ 作为基准然后在这个值的 0.2 倍到 1.5 倍之间扫五组看误差范数曲线。% 增益扫描找出收敛最快且不发散的 Gamma CB C * B; % 离散状态空间的直接馈通乘积 Gamma0 0.5 / abs(CB); ratios [0.2 0.5 0.8 1.0 1.5]; for i 1:numel(ratios) Gamma ratios(i) * Gamma0; % 跑 K 次迭代记录 err_norm % ... fprintf(ratio%.1f, 最终误差%.3e\n, ratios(i), err_norm(end)); end判定收敛不要只看最后一次误差要看整条范数曲线是不是单调下降。有些参数下前 10 次降得飞快第 15 次开始抬头这种“先好后坏”是最坑的只看终值会误判成收敛。另外 $CB$ 的符号必须对——如果对象是负增益的比如某些反向作用的执行机构$\Gamma$ 得跟着取负否则第一次迭代就往反方向冲。3.4 误差范数与收敛曲线的记录方式记录方式看着琐碎但它决定了你后面能不能快速定位问题。我习惯在每次迭代结束时同时存三样东西误差的无穷范数、误差的 2 范数、以及本次迭代的控制量增量范数 $|u_{k1} - u_k|$。前两个反映跟踪精度第三个反映学习过程是不是还在动——有时候误差不降了不是因为收敛而是因为控制量被限幅卡死了增量恒等于零这时候看第三个量立刻就能分辨。err_inf(k) norm(e, inf); err_l2(k) norm(e, 2) / sqrt(N); du_norm(k) norm(u_new - u, 2); u_hist(:, k) u_new; % 保留完整历史方便回放某一轮u_hist这个矩阵在调试阶段特别值钱。当收敛曲线出现异常拐点时直接把第 k 轮和第 k-1 轮的控制量画在一起能立刻看出是整体偏移还是某个时间段的局部突变。4. 跑通这份模型初始化、仿真配置与结果验证参数和模型都齐了接下来是从解压到出图的全流程。这一章按实际执行顺序走一遍每一步说清楚改哪里、改成什么、改错了会看到什么现象。4.1 init_params.m 里必须锁死的几个量打开资源包第一个该看的是初始化脚本。ILC 模型对参数一致性极其敏感因为它横跨“脚本算的”和“模型仿的”两个世界任何一处不匹配都不会报错只会让结果变得莫名其妙。参数含义典型取值不匹配的后果Ts采样周期0.01 s与模型步长不一致时误差按比例缩放N单次迭代采样点数200与仿真输出点数差 1 时维度报错K最大迭代次数50太小看不到收敛太大浪费时间Gamma学习增益0.4过大发散过小收敛慢u_min/u_max执行器限幅±10不设限幅时控制量会跑到物理上不可能的值err_tol提前退出阈值1e-4设太松会在还没收敛时就停N和仿真输出点数的关系是最容易错的一处。Simulink 的输出时间向量是0:Ts:N*Ts共 N1 个点而脚本里按N长度构造的u只有 N 个。要么把仿真输出砍掉第一个点y(2:end)要么把N定义成“区间数”并在所有地方保持一致。资源包里两种约定都可能出现改之前先size()一下确认。4.2 固定步长、采样时间与 To Workspace 的格式设置模型配置里三处必须检查。Solver 面板选 Fixed-stepSolver 类型如果是纯离散对象Discrete State-Space 模块就选discrete (no continuous states)Fixed-step size 填Ts如果对象是用 Transfer Fcn 搭的连续系统则选ode4并把步长设为Ts的整数分之一让积分器在采样点上落得准。To Workspace 模块的配置更关键Variable name 填y_outSave format 选ArraySample time 填Ts或者-1继承。选Timeseries的话脚本里取值要写out.y_out.Data选Structure with time则要写out.y_out.signals.values两种都能用但和脚本里写死的取值方式必须对上否则就是那句经典的“维度不匹配”。注意模型里如果同时存在连续模块和离散模块Simulink 会自动插入零阶保持器这个保持器会引入半个采样周期的延迟。对 ILC 来说这半拍延迟足以让 D 型的相位判断失效所以对象建模阶段就尽量统一成离散形式。4.3 迭代跑完看什么两条曲线定生死跑完 50 次迭代先看两张图。第一张是误差无穷范数随迭代次数 k 的变化合格的曲线应该是单调下降并有逐渐走平的趋势走平的位置就是这套参数下的精度极限。如果曲线出现震荡或者 U 形回去查增益和相对阶。第二张是最后一次迭代的跟踪波形$y_K(t)$ 和 $y_d(t)$ 叠在一起画再单独画一条误差曲线。这张图能暴露范数曲线看不到的问题——比如整体误差很小但末端有一小段冲击那基本就是 3.2 节说的末位补齐问题又比如误差在某个时刻有周期性尖峰那多半是参考轨迹本身在该处不可微ILC 学不动拐点。figure; subplot(2,1,1); semilogy(1:K, err_inf, o-); grid on; xlabel(迭代次数 k); ylabel(||e_k||_\infty); subplot(2,1,2); plot(t, yd, k--, t, y_last, b); grid on; xlabel(时间 t/s); ylabel(输出); legend(参考,第K次迭代);semilogy用对数纵轴是因为 ILC 的收敛通常是指数型的线性坐标下前几次下降之后整条曲线会贴地看不出细节。4.4 从解压到出图的完整执行顺序把前面几步串起来实际动手的顺序是这样解压后先cd到脚本目录运行init_params.m确认工作区里Ts、N、K、Gamma四个变量都存在且量纲合理打开对应学习律的 slx双击 From Workspace 模块确认 Variable name 是u_kSample time 是Ts打开 To Workspace确认变量名y_out、格式 Array在模型配置里检查 Solver 类型和步长回到命令行运行run_ilc.m观察每次迭代打印的误差范数脚本跑完后plot_convergence.m出图。第一次跑建议把K改成 5先把流程走通再拉长。我见过太多人一上来就 K100跑到第 60 次发散然后回头找问题前面的时间全白费。%% run_ilc.m —— 外层迭代驱动配合 ilc_p_type.slx 使用 init_params; u zeros(N, 1); % u_0 取零第一次迭代就是纯前馈 err_inf zeros(K, 1); u_hist zeros(N, K); y_last zeros(N, 1); for k 1:K assignin(base, u_k, u); % 控制量送进基础工作区 out sim(ilc_p_type.slx, SrcWorkspace, base); y out.y_out(2:end); % 砍掉 t0 的点对齐长度 e yd(:) - y(:); % 本次迭代误差 err_inf(k) norm(e, inf); u_hist(:,k) u; y_last y; fprintf(k%2d ||e||_inf %.4e\n, k, err_inf(k)); if err_inf(k) err_tol fprintf(在第 %d 次迭代达到收敛阈值\n, k); break; end u u Gamma * e; % P 型学习律 u max(u_min, min(u_max, u)); % 限幅别漏 endsim调用的第二个参数SrcWorkspace,base是这段代码的命门写了它模型才会去基础工作区找u_k不写则默认用current在脚本函数化封装之后会读不到变量。y out.y_out(2:end)处理的就是 4.1 节提到的 N 与 N1 问题砍掉初始点之后长度正好等于N和yd对齐。限幅那行放在更新之后、下一轮赋值之前顺序不能反反了就等于用未限幅的值去算误差。5. 避坑与排查五类高频翻车现场ILC 的调试体验有个特点出错不报错。反馈控制发散了你还能看到输出飞掉ILC 不收敛的时候输出往往长得很正常只是死活不降。下面这五条是按我遇到的频率排的。5.1 现象误差曲线每次都一样一条水平线原因基本只有一个——$u_k$ 根本没进模型或者进了但每轮都是同一个值。三种可能From Workspace 的SrcWorkspace没设成baseassignin塞的变量模型读不到或者模型被打开时 MATLAB 弹过“是否加载模型工作区变量”点了是之后模型工作区被写死了一个旧的u_k脚本再怎么assignin都被覆盖或者 To Workspace 变量名和脚本里读的名字不一致脚本读到的是上一轮残留。解决办法在sim之前加一句disp(norm(u))确认每轮的值确实在变然后在模型里双击 From Workspace 看它实际解析到的值MATLAB 命令窗口敲evalin(base,norm(u_k))能查基础工作区的真值。模型工作区里如果有同名变量右键清掉。5.2 现象前几次误差下降第十几次开始抬头发散增益过大或者对象相对阶和学习律类型不匹配。$\Gamma$ 超过 $2/|CB|$ 附近就会发散理论边界和实际能用的边界之间还有一段“能收敛但振荡”的区域落在那里面的时候曲线会先降后升。另一个常见原因是用了 P 型但对象相对阶为 1理论上有相位差仿真上表现为每次迭代的误差在时间轴上往后挪一点挪够一个采样周期就彻底乱掉。解决办法先把Gamma降一半再跑如果曲线变成单调慢降那就是增益问题如果降了照样抬头换成 D 型再试。同时用 3.3 节那段增益扫描代码把CB正负也确认一遍。5.3 现象模型一运行就报代数环错误代数环出现在误差计算和对象输出之间没有延迟的直通路径上。典型场景被控对象用 Transfer Fcn 搭的分子分母同阶有直接馈通输出的当前拍值依赖于输入的当前拍值而误差又立刻反馈回去算控制量Simulink 排不出计算顺序。解决办法先确认对象是否真的有直通项——连续传递函数看分子分母阶数是否相同离散状态空间看 D 矩阵是否为零。确实有直通的话在误差反馈路径上插一个 Unit Delay代价是引入一拍延迟学习律里的误差下标要相应调整。5.4 现象报“矩阵维度必须一致”八成的维度错误来自 N 与 N1 那个老问题具体见 4.1 节。剩下两成是行列向量方向不一致yd定义成行向量linspace默认返回行向量out.y_out是列向量相减时 MATLAB 会自动扩展成 N×N 矩阵报错可能在后面几行才出现看着莫名其妙。解决办法所有长度 N 的向量在脚本开头统一转成列向量yd yd(:);这一句加上去能省掉一大半排查时间。5.5 现象第一次迭代误差就大得离谱后面纹丝不动u_0初值给错或者参考轨迹的时间轴没和仿真输出对齐。前者比如直接把u_0设成执行器最大值第一次迭代对象就饱和误差恒定学习律学了也没用后者是yd按0:Ts:(N-1)*Ts构造仿真输出却是0:Ts:N*Ts两者错开一个采样周期误差从头到尾都是斜的。解决办法u_0一律从零开始让 ILC 自己学yd的时间向量和仿真输出的时间向量用同一个变量生成别各写各的。6. 二次开发换对象、换学习律、加约束的三个改造口模型跑通之后多数人下一步就是拿自己的对象来试。这份资源的结构对改造是友好的但要改对地方。改造目标改哪里验证什么换被控对象slx 里的 Discrete State-Space 的 A/B/C/D或 Transfer Fcn 系数重新算CBGamma按 0.5/换学习律MATLAB Function 里的ilc_p/ilc_d/ilc_pd函数体误差范数曲线单调性加执行器约束run_ilc.m更新式之后的限幅语句du_norm是否提前归零加误差滤波更新式前串一阶低通高频毛刺是否消失、收敛速度损失多少换对象是最容易出问题的。我一般按这个顺序走先把对象单独拿出来跑一次开环给一个阶跃输入看输出响应和稳态增益确认CB的量级然后算出新的Gamma0从0.2*Gamma0开始跑确认能收敛再往上加。跳过开环验证直接上 ILC等于闭着眼睛调参收敛了也不知道为什么收敛。换学习律的时候有个技巧保持 Gamma 不变先把 P 型和 D 型各跑一遍比较误差范数曲线的收敛速率。如果 D 型明显更快说明对象的相对阶确实是 1后面所有改进都应该基于 D 型做如果两者差不多说明系统对相位不敏感可以放心加滤波器和限幅。加约束这件事值得单独说一句。真实执行器都有饱和而 ILC 的学习机制天然会往饱和方向推——某几拍的控制量年年累加直到顶到限幅。限幅加上之后收敛曲线上会出现平台这时候别急着以为收敛了看一眼du_norm是不是掉到零附近是的话说明学习过程已经卡死得回头降增益或者给控制量加一个泄漏项$u_{k1} \alpha u_k \Gamma e_k$$\alpha$ 取 0.95 左右。从那以后我每次改完对象参数都会强制走一遍「开环阶跃 → 单次迭代 → K5 → K50」这个流程不跳步。ILC 的坑不在于公式复杂在于它出错的方式太安静少了任何一步验证后面都得花十倍时间找回来。希望帮到你。本文还有配套的精品资源点击获取
简介ILC_Simulink.rar 面向学习迭代学习控制ILC与 Simulink 仿真的控制工程初学者、课程实验学生及研究人员围绕周期性重复任务中的无静差跟踪问题提供可直接运行的传递函数被控对象与 ILC 算法仿真模型。压缩包共 14 个文件约 66KB包含 slx/slxc 模型、m 脚本、mat 数据、xml 配置及 Stateflow 相关文件便于查看模型结构、复现迭代过程并调整参数。已有 3983 人学习下载说明该案例在控制理论入门与仿真实践中具有一定参考价值。读者可据此理解误差计算、反馈校正、控制输入更新与饱和限制等环节观察多周期迭代下的输出曲线也可结合 Sum、Gain、Saturation 等模块分析控制输入更新策略并对比不同学习增益下的收敛速度开展参数对比、性能分析和二次开发适合课程实验、课题预研与工程控制方案验证。1. 从一组反复出现的误差说起做过直线电机或机械臂轨迹跟踪的人大概都撞过同一堵墙同一段轨迹反复跑几十遍每次的跟踪误差曲线几乎一模一样PID 增益调到执行器发出尖啸误差还是压不下去。原因不复杂——PID 是“当下反馈”它不知道上一轮在哪个时刻差了 0.3 mm。ILC迭代学习控制补的就是这一块把上一轮的误差当成下一轮的前馈修正写进控制量里让系统“记住”上次错在哪。这份 ILC_Simulink 资源包给的就是一套能在 Simulink 里直接跑起来的验证环境P 型、D 型、PD 型学习律各有对应模型配初始化脚本和收敛曲线绘制。它适合已经会搭基本控制回路、想把跟踪精度再压一个量级的开发者也适合要交实验报告但不想从零推公式的同学。前提得说清楚被控对象和执行器必须可重复ILC 对一次性任务没有价值。2. 模型骨架ILC 在 Simulink 里的两条技术路线打开这份资源包先别急着点运行。ILC 和普通反馈控制最大的差别在于它有两个时间维度一个是单次运行的采样时间 t一个是迭代批次 k。Simulink 原生是按 t 推进的仿真器怎么把 k 这一维塞进去决定了整套模型长什么样。这份资源里的模型分成两类组织方式先把这两种方式分清楚后面改起来才不至于改错地方。2.1 三条数据流参考轨迹、控制量缓存、误差回灌不管用哪种搭法ILC 回路里永远跑着三条数据流。第一条是参考轨迹 $y_d(t)$在每次迭代中完全相同这是 ILC 成立的物理前提第二条是控制量缓存 $u_k(t)$长度等于单次迭代的采样点数 N它在迭代之间被读取、修正、再写回第三条是误差回灌 $e_k(t) y_d(t) - y_k(t)$它是唯一携带“这次比上次好在哪”的信息通道。普通反馈控制里这三条流都在同一个仿真时间轴上流动用 Unit Delay 或者状态变量就能解决。ILC 不一样$u_k$ 必须跨仿真会话存活下来——sim()返回之后工作区里的变量还在但模型内部的信号早就清空了。所以这类模型的第一设计问题不是“控制器怎么写”而是“上一次迭代的控制量存在哪、下一次怎么读回来”。常见的做法有两种把整个 Simulink 模型当成一个被反复调用的函数由 MATLAB 脚本负责外层循环和变量管理或者把迭代循环也搬进 Simulink用 For Iterator Subsystem 在一个仿真会话里跑完 K 次。两种路线在资源包里都有对应模型选哪个取决于你要验证什么。2.2 路线一脚本驱动 sim() 反复调用最省心的做法我一般推荐新手从这条路线入手因为它的调试成本最低。Simulink 模型只负责“一次迭代”即给定 $u_k$ 和 $y_d$输出 $y_k$外层循环、误差计算、控制量更新全在.m脚本里断点、打印、画图都用 MATLAB 原生手段出问题一眼能看出来。代价是每次迭代都要重新初始化一次仿真K 50 次迭代大概要跑十几秒到几十秒做参数扫描时会有点熬人。这条路线的模型本身非常朴素一个 From Workspace 模块读入u_k一个 Discrete State-Space 或者 Transfer Fcn 表示被控对象一个 Sum 模块算误差输出端接 To Workspace 存y_out。整个 slx 里没有一处跟“迭代”有关的逻辑它就是个普通的开环/闭环仿真模型。真正的 ILC 逻辑全在脚本里这也意味着你换学习律的时候只需要动几行 MATLAB 代码不用碰模型。2.3 路线二For Iterator Subsystem 把迭代关在模型内部另一类模型把 K 次迭代塞进一次仿真。外层套一个 For Iterator Subsystem迭代变量 k 从 1 跑到 K子系统内部用 Data Store Memory 或者 MATLAB Function 里的 persistent 变量保存 $u$。这样做的好处是全流程可视化Scope 上能看到误差随着迭代次数一层层往下压演示效果很好坏处是调试困难——persistent 变量的初值只在第一次仿真时初始化改了参数重跑如果不clear就得重启 MATLAB这种坑我踩过不止一次。资源包里这类模型的结构大致是For Iterator 的迭代上限接一个 Constant 模块值等于 K子系统内部第一级是 MATLAB Function 实现的ilc_update它接收当前误差和上一次的控制量输出更新后的控制量控制量同时送进对象模块和 Data Store Write供下一轮迭代读取。这里有个隐蔽的点For Iterator 的每次迭代内部仍然要跑完 N 个采样点所以子系统里还得再套一层时间推进通常直接用对象的离散状态方程自然推进即可不需要额外的循环结构。2.4 变量生命周期To Workspace、assignin 与 persistent 的取舍三种变量存取方式各有适用面混用是新手翻车的高发区。To Workspace只负责把仿真结果搬出来它在仿真结束时写一次格式可以选 Array、Structure、Timeseries。选 Array 最省事输出的就是纯数值矩阵脚本里直接索引选 Timeseries 会包一层对象取值要写.Data多一层心智负担。assignin(base, u_k, u)是把脚本变量塞进基础工作区让模型的 From Workspace 能读到——注意这里有个前提模型的SrcWorkspace参数必须是base或者current如果模型配置里写死了parent或者别的assignin就白做了。persistent 变量活在 MATLAB Function 模块内部跨仿真会话保留适合路线二但它的清理时机不受你控制是调试时最烦人的一类黑匣子。提示三种方式不要在同一个模型里混着用来管同一个变量。$u_k$ 要么全程走工作区要么全程走 persistent混着用会出现“明明改了脚本但模型读的还是旧值”这种玄学现象。3. 核心模块拆解P 型、D 型、PD 型学习律的落地ILC 的学习律形式看起来简单得不像话一行公式就能写完但真落到离散仿真里误差取哪一拍、增益怎么定、末端怎么补每个细节都能让收敛曲线从漂亮变成发散。这一章按三种学习律逐一拆代码都是可以照着抄的结构。3.1 P 型学习律u_{k1} u_k Γ·e_k 的最简实现P 型的更新式是 $u_{k1}(t) u_k(t) \Gamma \cdot e_k(t)$逐点相加不需要任何微分或移位操作。Simulink 里对应一个 MATLAB Function 模块输入是当前误差向量和上一轮控制量向量输出更新后的控制量。function u_next ilc_p(e, u_prev, Gamma) %#codegen % P 型迭代学习律逐点累加误差 % e : 本次迭代的跟踪误差长度 N % u_prev : 上一次迭代的控制量长度 N % Gamma : 学习增益标量或对角矩阵 % u_next : 下一次迭代的控制量长度 N u_next u_prev Gamma .* e; end%#codegen这行注释不是装饰MATLAB Function 模块默认要求函数支持代码生成缺了它某些语法在编译期会直接报错。Gamma .* e用点乘而不是矩阵乘是为了兼容 Gamma 为标量和为对角阵两种情况——如果你后面要做多输入多输出Gamma 会变成一个方阵那时这里得改成Gamma * e并且保证维度对齐。逻辑上说清楚P 型只用到当前时刻的误差对于相对阶为 0 的系统传递函数分子分母同阶存在直接馈通项 D ≠ 0收敛性分析是干净的收敛条件可以写成谱半径 $\rho(I - \Gamma C B) 1$。单输入单输出且 $CB$ 为正实数时这个条件退化成 $0 \Gamma \cdot CB 2$工程上取 $\Gamma \approx 0.5 / (CB)$ 起步最稳。但如果你的对象是严格真的D 0比如电机位置控制里输入是电压、输出是位置中间隔了积分环节P 型的理论保证就弱了这时候该换 D 型。3.2 D 型与 PD 型误差移位和差分怎么做才不抖D 型的更新式是 $u_{k1}(t) u_k(t) \Gamma \cdot e_k(t1)$注意下标是 t1。意义在于对于相对阶为 1 的系统$u_k(t)$ 的影响要到 $t1$ 时刻才体现在输出上所以要用下一拍的误差来修正当前拍的控制量。直接照抄公式会遇到一个边界问题——$e_k(N1)$ 不存在。function u_next ilc_d(e, u_prev, Gamma) %#codegen % D 型迭代学习律用下一拍误差修正当前拍控制量 % 适用于相对阶为 1 的被控对象 e_shift [e(2:end); e(end)]; % 整体前移一拍末位用自身补齐 u_next u_prev Gamma .* e_shift; ende(2:end)丢掉第一拍[e(2:end); e(end)]在末尾补一个值把长度拉回 N。补e(end)而不是补零是因为补零相当于在末端强行认为误差为零会在最后一次迭代的结尾制造一个控制量的突跳反映到输出上就是末端几个采样点抖动。这个细节教科书上一般不写但实测影响不小。PD 型则是把两项叠起来$u_{k1} u_k K_p e_k K_d \dot{e}_k$微分项用后向差分近似function u_next ilc_pd(e, u_prev, Kp, Kd, Ts) %#codegen % PD 型迭代学习律比例项压稳态微分项压超调 de [0; diff(e)] / Ts; % 后向差分首拍导数为 0 u_next u_prev Kp .* e Kd .* de; end后向差分引入半拍相位滞后在采样率不高的时候会让 D 项变成噪声放大器误差曲线上那些高频毛刺会被 $\frac{1}{T_s}$ 放大后灌进控制量。我的习惯是给 D 项串一个一阶低通截止频率取采样频率的 1/10 左右宁可损失一点相位也不能让控制量抖成锯齿。3.3 学习增益 Γ 的取值与收敛条件验算增益定大了发散定小了收敛慢这个权衡没有一劳永逸的公式但有个可操作的流程。先算被控对象的 $CB$离散状态空间里就是 $C \cdot B$传递函数形式下是脉冲响应第一个非零值取 $\Gamma_0 0.5 / |CB|$ 作为基准然后在这个值的 0.2 倍到 1.5 倍之间扫五组看误差范数曲线。% 增益扫描找出收敛最快且不发散的 Gamma CB C * B; % 离散状态空间的直接馈通乘积 Gamma0 0.5 / abs(CB); ratios [0.2 0.5 0.8 1.0 1.5]; for i 1:numel(ratios) Gamma ratios(i) * Gamma0; % 跑 K 次迭代记录 err_norm % ... fprintf(ratio%.1f, 最终误差%.3e\n, ratios(i), err_norm(end)); end判定收敛不要只看最后一次误差要看整条范数曲线是不是单调下降。有些参数下前 10 次降得飞快第 15 次开始抬头这种“先好后坏”是最坑的只看终值会误判成收敛。另外 $CB$ 的符号必须对——如果对象是负增益的比如某些反向作用的执行机构$\Gamma$ 得跟着取负否则第一次迭代就往反方向冲。3.4 误差范数与收敛曲线的记录方式记录方式看着琐碎但它决定了你后面能不能快速定位问题。我习惯在每次迭代结束时同时存三样东西误差的无穷范数、误差的 2 范数、以及本次迭代的控制量增量范数 $|u_{k1} - u_k|$。前两个反映跟踪精度第三个反映学习过程是不是还在动——有时候误差不降了不是因为收敛而是因为控制量被限幅卡死了增量恒等于零这时候看第三个量立刻就能分辨。err_inf(k) norm(e, inf); err_l2(k) norm(e, 2) / sqrt(N); du_norm(k) norm(u_new - u, 2); u_hist(:, k) u_new; % 保留完整历史方便回放某一轮u_hist这个矩阵在调试阶段特别值钱。当收敛曲线出现异常拐点时直接把第 k 轮和第 k-1 轮的控制量画在一起能立刻看出是整体偏移还是某个时间段的局部突变。4. 跑通这份模型初始化、仿真配置与结果验证参数和模型都齐了接下来是从解压到出图的全流程。这一章按实际执行顺序走一遍每一步说清楚改哪里、改成什么、改错了会看到什么现象。4.1 init_params.m 里必须锁死的几个量打开资源包第一个该看的是初始化脚本。ILC 模型对参数一致性极其敏感因为它横跨“脚本算的”和“模型仿的”两个世界任何一处不匹配都不会报错只会让结果变得莫名其妙。参数含义典型取值不匹配的后果Ts采样周期0.01 s与模型步长不一致时误差按比例缩放N单次迭代采样点数200与仿真输出点数差 1 时维度报错K最大迭代次数50太小看不到收敛太大浪费时间Gamma学习增益0.4过大发散过小收敛慢u_min/u_max执行器限幅±10不设限幅时控制量会跑到物理上不可能的值err_tol提前退出阈值1e-4设太松会在还没收敛时就停N和仿真输出点数的关系是最容易错的一处。Simulink 的输出时间向量是0:Ts:N*Ts共 N1 个点而脚本里按N长度构造的u只有 N 个。要么把仿真输出砍掉第一个点y(2:end)要么把N定义成“区间数”并在所有地方保持一致。资源包里两种约定都可能出现改之前先size()一下确认。4.2 固定步长、采样时间与 To Workspace 的格式设置模型配置里三处必须检查。Solver 面板选 Fixed-stepSolver 类型如果是纯离散对象Discrete State-Space 模块就选discrete (no continuous states)Fixed-step size 填Ts如果对象是用 Transfer Fcn 搭的连续系统则选ode4并把步长设为Ts的整数分之一让积分器在采样点上落得准。To Workspace 模块的配置更关键Variable name 填y_outSave format 选ArraySample time 填Ts或者-1继承。选Timeseries的话脚本里取值要写out.y_out.Data选Structure with time则要写out.y_out.signals.values两种都能用但和脚本里写死的取值方式必须对上否则就是那句经典的“维度不匹配”。注意模型里如果同时存在连续模块和离散模块Simulink 会自动插入零阶保持器这个保持器会引入半个采样周期的延迟。对 ILC 来说这半拍延迟足以让 D 型的相位判断失效所以对象建模阶段就尽量统一成离散形式。4.3 迭代跑完看什么两条曲线定生死跑完 50 次迭代先看两张图。第一张是误差无穷范数随迭代次数 k 的变化合格的曲线应该是单调下降并有逐渐走平的趋势走平的位置就是这套参数下的精度极限。如果曲线出现震荡或者 U 形回去查增益和相对阶。第二张是最后一次迭代的跟踪波形$y_K(t)$ 和 $y_d(t)$ 叠在一起画再单独画一条误差曲线。这张图能暴露范数曲线看不到的问题——比如整体误差很小但末端有一小段冲击那基本就是 3.2 节说的末位补齐问题又比如误差在某个时刻有周期性尖峰那多半是参考轨迹本身在该处不可微ILC 学不动拐点。figure; subplot(2,1,1); semilogy(1:K, err_inf, o-); grid on; xlabel(迭代次数 k); ylabel(||e_k||_\infty); subplot(2,1,2); plot(t, yd, k--, t, y_last, b); grid on; xlabel(时间 t/s); ylabel(输出); legend(参考,第K次迭代);semilogy用对数纵轴是因为 ILC 的收敛通常是指数型的线性坐标下前几次下降之后整条曲线会贴地看不出细节。4.4 从解压到出图的完整执行顺序把前面几步串起来实际动手的顺序是这样解压后先cd到脚本目录运行init_params.m确认工作区里Ts、N、K、Gamma四个变量都存在且量纲合理打开对应学习律的 slx双击 From Workspace 模块确认 Variable name 是u_kSample time 是Ts打开 To Workspace确认变量名y_out、格式 Array在模型配置里检查 Solver 类型和步长回到命令行运行run_ilc.m观察每次迭代打印的误差范数脚本跑完后plot_convergence.m出图。第一次跑建议把K改成 5先把流程走通再拉长。我见过太多人一上来就 K100跑到第 60 次发散然后回头找问题前面的时间全白费。%% run_ilc.m —— 外层迭代驱动配合 ilc_p_type.slx 使用 init_params; u zeros(N, 1); % u_0 取零第一次迭代就是纯前馈 err_inf zeros(K, 1); u_hist zeros(N, K); y_last zeros(N, 1); for k 1:K assignin(base, u_k, u); % 控制量送进基础工作区 out sim(ilc_p_type.slx, SrcWorkspace, base); y out.y_out(2:end); % 砍掉 t0 的点对齐长度 e yd(:) - y(:); % 本次迭代误差 err_inf(k) norm(e, inf); u_hist(:,k) u; y_last y; fprintf(k%2d ||e||_inf %.4e\n, k, err_inf(k)); if err_inf(k) err_tol fprintf(在第 %d 次迭代达到收敛阈值\n, k); break; end u u Gamma * e; % P 型学习律 u max(u_min, min(u_max, u)); % 限幅别漏 endsim调用的第二个参数SrcWorkspace,base是这段代码的命门写了它模型才会去基础工作区找u_k不写则默认用current在脚本函数化封装之后会读不到变量。y out.y_out(2:end)处理的就是 4.1 节提到的 N 与 N1 问题砍掉初始点之后长度正好等于N和yd对齐。限幅那行放在更新之后、下一轮赋值之前顺序不能反反了就等于用未限幅的值去算误差。5. 避坑与排查五类高频翻车现场ILC 的调试体验有个特点出错不报错。反馈控制发散了你还能看到输出飞掉ILC 不收敛的时候输出往往长得很正常只是死活不降。下面这五条是按我遇到的频率排的。5.1 现象误差曲线每次都一样一条水平线原因基本只有一个——$u_k$ 根本没进模型或者进了但每轮都是同一个值。三种可能From Workspace 的SrcWorkspace没设成baseassignin塞的变量模型读不到或者模型被打开时 MATLAB 弹过“是否加载模型工作区变量”点了是之后模型工作区被写死了一个旧的u_k脚本再怎么assignin都被覆盖或者 To Workspace 变量名和脚本里读的名字不一致脚本读到的是上一轮残留。解决办法在sim之前加一句disp(norm(u))确认每轮的值确实在变然后在模型里双击 From Workspace 看它实际解析到的值MATLAB 命令窗口敲evalin(base,norm(u_k))能查基础工作区的真值。模型工作区里如果有同名变量右键清掉。5.2 现象前几次误差下降第十几次开始抬头发散增益过大或者对象相对阶和学习律类型不匹配。$\Gamma$ 超过 $2/|CB|$ 附近就会发散理论边界和实际能用的边界之间还有一段“能收敛但振荡”的区域落在那里面的时候曲线会先降后升。另一个常见原因是用了 P 型但对象相对阶为 1理论上有相位差仿真上表现为每次迭代的误差在时间轴上往后挪一点挪够一个采样周期就彻底乱掉。解决办法先把Gamma降一半再跑如果曲线变成单调慢降那就是增益问题如果降了照样抬头换成 D 型再试。同时用 3.3 节那段增益扫描代码把CB正负也确认一遍。5.3 现象模型一运行就报代数环错误代数环出现在误差计算和对象输出之间没有延迟的直通路径上。典型场景被控对象用 Transfer Fcn 搭的分子分母同阶有直接馈通输出的当前拍值依赖于输入的当前拍值而误差又立刻反馈回去算控制量Simulink 排不出计算顺序。解决办法先确认对象是否真的有直通项——连续传递函数看分子分母阶数是否相同离散状态空间看 D 矩阵是否为零。确实有直通的话在误差反馈路径上插一个 Unit Delay代价是引入一拍延迟学习律里的误差下标要相应调整。5.4 现象报“矩阵维度必须一致”八成的维度错误来自 N 与 N1 那个老问题具体见 4.1 节。剩下两成是行列向量方向不一致yd定义成行向量linspace默认返回行向量out.y_out是列向量相减时 MATLAB 会自动扩展成 N×N 矩阵报错可能在后面几行才出现看着莫名其妙。解决办法所有长度 N 的向量在脚本开头统一转成列向量yd yd(:);这一句加上去能省掉一大半排查时间。5.5 现象第一次迭代误差就大得离谱后面纹丝不动u_0初值给错或者参考轨迹的时间轴没和仿真输出对齐。前者比如直接把u_0设成执行器最大值第一次迭代对象就饱和误差恒定学习律学了也没用后者是yd按0:Ts:(N-1)*Ts构造仿真输出却是0:Ts:N*Ts两者错开一个采样周期误差从头到尾都是斜的。解决办法u_0一律从零开始让 ILC 自己学yd的时间向量和仿真输出的时间向量用同一个变量生成别各写各的。6. 二次开发换对象、换学习律、加约束的三个改造口模型跑通之后多数人下一步就是拿自己的对象来试。这份资源的结构对改造是友好的但要改对地方。改造目标改哪里验证什么换被控对象slx 里的 Discrete State-Space 的 A/B/C/D或 Transfer Fcn 系数重新算CBGamma按 0.5/换学习律MATLAB Function 里的ilc_p/ilc_d/ilc_pd函数体误差范数曲线单调性加执行器约束run_ilc.m更新式之后的限幅语句du_norm是否提前归零加误差滤波更新式前串一阶低通高频毛刺是否消失、收敛速度损失多少换对象是最容易出问题的。我一般按这个顺序走先把对象单独拿出来跑一次开环给一个阶跃输入看输出响应和稳态增益确认CB的量级然后算出新的Gamma0从0.2*Gamma0开始跑确认能收敛再往上加。跳过开环验证直接上 ILC等于闭着眼睛调参收敛了也不知道为什么收敛。换学习律的时候有个技巧保持 Gamma 不变先把 P 型和 D 型各跑一遍比较误差范数曲线的收敛速率。如果 D 型明显更快说明对象的相对阶确实是 1后面所有改进都应该基于 D 型做如果两者差不多说明系统对相位不敏感可以放心加滤波器和限幅。加约束这件事值得单独说一句。真实执行器都有饱和而 ILC 的学习机制天然会往饱和方向推——某几拍的控制量年年累加直到顶到限幅。限幅加上之后收敛曲线上会出现平台这时候别急着以为收敛了看一眼du_norm是不是掉到零附近是的话说明学习过程已经卡死得回头降增益或者给控制量加一个泄漏项$u_{k1} \alpha u_k \Gamma e_k$$\alpha$ 取 0.95 左右。从那以后我每次改完对象参数都会强制走一遍「开环阶跃 → 单次迭代 → K5 → K50」这个流程不跳步。ILC 的坑不在于公式复杂在于它出错的方式太安静少了任何一步验证后面都得花十倍时间找回来。希望帮到你。本文还有配套的精品资源点击获取
