ILC方案在近年来也是科研人员广泛关注的研究课题。这类控制方案主要用于控制一类重复运行的系统。与在时间轴上设计控制方案的传统思路不同，在处理这类系统的控制问题时，设计的迭代学习控制律能够学习先前运行的经验和重复因素以实现出色的控制效果。针对这类特殊的重复运行系统，池等人将MFAC与ILC的优点相融合，研究了无模型自适应迭代学习控制（Model-Free Adaptive Iterative Learning Control, MFAILC）/数据驱动迭代学习控制（Data-Driven Iterative Learning Control, DDILC）方法，后续我们把它们统称为DDILC。然而，目前大多数方案都是基于完整的期望轨迹设计的，对于终点/多中间点跟踪问题的控制方案，即终端/点到点迭代学习控制（Terminal ILC/Point-to-Point ILC，TILC/PTPILC）方案，还有更多的探索空间。

系统科学研究院张雪明硕士，在其导师侯忠生教授的指导下和在国家自然科学基金重点项目的资助下，围绕考虑数据驱动控制、预测控制和迭代学习控制方法，针对未知异构非仿射非线性系统的点到点控制问题展开相关研究，取得了重要的研究成果并在 IEEE 系列汇刊等国内外控制领域高水平期刊上发表，具体研究成果描述如下：

1）针对一类重复运行的未知SISO非仿射非线性离散时间系统，结合预测控制和点到点迭代学习控制的思想，提出了一种数据驱动预测点到点迭代学习控制方案，可实现由该算法产生的最优控制输入序列驱动，闭环系统的点到点跟踪误差最小。该方案的优点是控制器结构设计和稳定性分析仅依赖于闭环系统产生的输入/输出数据，不涉及矩阵求逆运算，且在面对预测矩阵维数过大的情况也不会产生巨大的计算压力。

2）针对一类重复运行的未知MIMO非仿射非线性离散时间系统，提出了一种新型数据驱动高阶点到点迭代学习控制（Data-Driven High-Order Point-to-Point Iterative Learning Control，DDHOPTPILC）方案。该方法的控制输入准则函数由两部分组成。一部分是高阶误差信息，另一部分是由预设期望点划分的时间子间隔内的控制输入增量序列组成。通过优化该准则函数可以得到一种新颖的点到点迭代学习控制律。该控制律仅包含当前迭代中的已知控制输入信号和先前迭代中的误差数据，并且基于压缩映射原理和等价迭代动态线性化数据模型，证明了所提方案的点到点跟踪误差的渐近收敛性和闭环系统的有界输入有界输出（Bounded-Input Bounded-Output，BIBO）稳定性。

3）另外，基于对DDHOPTPILC方案的收敛性分析和稳定性分析。还提出了一种标量指标函数用于评价在所提方案控制下的点到点跟踪误差收敛速率，并且严谨地证明了当控制器中的高阶因子和步长因子满足特定的条件时，所给出的高阶点到点迭代学习控制器的收敛速率快于低阶控制器。

系统科学研究院张雪明硕士，在导师侯忠生教授的指导下，完成硕士毕业论文《数据驱动点到点迭代学习控制方法研究》并考取湖南大学能源动力专业博士研究生。

文章信息

[1] Zhang X, Hou M, Hou Z. Data-Driven High-Order Point-to-Point ILC With Higher Computational Efficiency[J]. IEEE Transactions on Automation Science and Engineering, 2023: 1-16. Doi: 10.1109/TASE.2023.3321038.

[2] Zhang X, Hou Z. Data-driven predictive point-to-point iterative learning control[J]. Neurocomputing, 2023, 518: 431-439. DOI: 10.1016/j.neucom.2022.11.014.