简介ILC_Simulink.rar 是面向控制工程学习者与研究者的 Simulink 迭代学习控制仿真模型围绕周期性或重复性任务中的无静差跟踪问题提供从被控对象传递函数搭建到 ILC 误差计算、反馈校正与迭代更新策略实现的完整示例适合高校课程设计、控制算法入门复现与科研仿真验证。压缩包共 14 个文件约 66KB以 7 个 mat 数据文件、2 个 xml 配置文件和 slx/slxc 模型文件为主并含 m 脚本、autosave 等辅助文件其中模型文件承载 ILC 主流程mat 数据与 m 脚本便于加载、绘图和批处理。已有 3981 人学习说明该主题在控制理论学习中具有一定关注度。读者可借助模型观察多周期迭代后的输出曲线与误差收敛过程理解误差反馈、增益调整、饱和限幅等环节对跟踪性能的影响并据此开展参数对比与算法改进练习。1. ILC_Simulink.rar 拆包迭代学习控制为什么值得放进 Simulink 跑Simulink ILC 这套东西第一次接触的人容易把它当成某种高级 PID名字里带“学习”听起来像加了自适应。实际把 ILC_Simulink.rar 拆开你会发现核心结构很简单一条被控对象、一块保存上一轮控制量的内存、一条按批次更新的学习律。它的价值在于处理“同一段轨迹反复执行”的场景机械臂重复抓放、伺服台按固定指令来回走、试验台按同一曲线跑完一个周期。这类系统的误差不是随机的而是每轮几乎一模一样地重复出现反馈控制压不下去的相位滞后部分恰好能用上一轮的经验补上。Simulink 在这里的角色不是画图工具而是把时间域和迭代域两个维度同时摆进一个能反复重跑的环境。这份资源适合已经会用 Simulink 搭基础回路、但还没系统跑过迭代学习的人。2. 迭代域怎么塞进时间域三种 Simulink 结构与选型2.1 先把 t 轴和 k 轴分开否则后面全是白费功夫迭代学习控制的基本形式非常短P 型就一行u_{k1}(t) u_k(t) Γ · e_k(t) e_k(t) r(t) - y_k(t), t ∈ [0, T]k是迭代批次t是一次试验内部的时间。这条式子能成立靠的是一个前提每次试验的初始状态、参考轨迹、试验时长完全一致。系统把上一轮“哪里欠了、哪里超了”整段记下来下一轮一开始就把这份补偿量整体加到输入上。它和反馈控制的分工很清楚。反馈在同一次试验内部实时纠偏对抗的是当下的扰动ILC 在批次之间做前馈修正对抗的是“每次都一样”的重复性误差。真正难压的是后者因为相位滞后决定了反馈增益不能给大而 ILC 不需要实时性它可以把整段误差倒着用。新手翻车最多的地方是把两件事混在一起做。有人试图在一个 Simulink 模型里用反馈的思路实现 ILC加个 Memory 块、加个 Unit Delay结果跑出来发现只有第一个采样点在学习。原因是Unit Delay延的是一个采样周期Ts而你需要延的是整个试验长度T。迭代域的“上一拍”是上一轮试验不是上一个采样点这个区别不搞清楚模型怎么调都不会收敛。所以结构选型的第一原则是迭代循环必须明确落在某处要么在脚本里要么在框图里的 For Iterator 中不能靠 Memory 块猜。2.2 三种落地结构脚本驱动、For Iterator、MATLAB Function实际能跑通的结构就三种各自的边界很清晰。结构迭代域在哪适合场景调试难度典型坑MATLAB 脚本 sim()循环脚本的for循环算法验证、参数扫描、教学复现低状态未复位、base 工作区污染For Iterator 子系统框图内部定点部署、代码生成、HIL中Memory 块初值、迭代间信号宽度MATLAB Function / S-Function 块块内persistent变量复杂学习律、非线性、带约束更新中高persistent 变量跨次仿真残留脚本驱动是最推荐先用的一种。它把“迭代”这件事放回 MATLAB 里你能用fprintf打日志、能用dbstop断点、能随时改学习增益重跑调试体验比在框图里翻信号好太多。代价是每次sim()都有启动开销模型大的时候慢。For Iterator 结构把整个迭代过程放进一次仿真k变成了框图里的一个循环变量。好处是能生成代码、能上硬件坏处是中间变量全在信号线上出错时你只能靠 Scope 一个个看。而且迭代之间传递u_k需要 Memory 块或者Data Store Memory初值设错就会第一轮就发散。MATLAB Function 块适合学习律本身复杂的情况比如带饱和、带死区、带自适应增益。需要注意的是persistent变量在同一个 MATLAB 会话里跨多次sim()调用是保留的第二次跑仿真时它带着上一次的残留值表现出来就是“改了参数但结果没变”。稳妥做法是在块里加一个复位输入端口每轮开始时清零。2.3 从零搭一条 P 型 ILC 回路先说模型该长什么样。被控对象用一个 State-Space 块或者 Transfer Fcn 块输入端口接In1输出接Out1中间不要塞任何积分器复位逻辑。控制量u_k从工作区读用From Workspace块数据格式设成带时间的结构体或者直接给[t, u]两列矩阵。配置参数里几项必须改Solver 选固定步长ode4或离散Fixed-step size 设成Ts。变步长求解器会在每次试验里给出不同长度的输出误差数组和参考数组长度对不上后面norm直接报错。Data Import/Export 里的Final states和Initial state都不要勾。勾了Final statesSimulink 会把上一轮结束时的状态存下来下一轮默认接着跑这时候你的“重复性前提”就没了误差会卡在一个值上再也不降。Save output打开输出格式选 Dataset名字记成yout。模型准备好之后主循环脚本这样写%% ilc_p_type.m —— P 型迭代学习控制主循环 clear; clc; mdl ilc_plant; % 被控对象模型名需与 .slx 文件名一致 T 10; % 单次试验时长 (s) Ts 0.001; % 采样周期 (s) N round(T/Ts) 1; % 采样点数 Kmax 50; % 最大迭代次数 Gamma 0.6; % 学习增益 Qwin 5; % 误差滑动平均窗口(点数)1 表示不滤波 t (0:N-1) * Ts; r sin(2*pi*0.5*t); % 期望轨迹写入 base 供模型引用 u zeros(N,1); % 第 0 轮控制输入全零 err zeros(Kmax,1); % 每轮的误差 2-范数 set_param(mdl,LoadInitialState,off); % 每次从零初值起跑 set_param(mdl,SaveFinalState,off); % 不把终态带回下一轮 set_param(mdl,StopTime,num2str(T)); for k 1:Kmax assignin(base,u_k,u); % 当前轮控制量 out sim(mdl); % 跑一次试验 y out.yout; % 取输出 e r - y; % 本轮跟踪误差 err(k) norm(e,2); u u Gamma * e; % P 型更新律 if Qwin 1 u movmean(u, Qwin); % 简易低通压制高频抖 end fprintf(iter %3d ||e||_2 %.6e\n, k, err(k)); end figure; semilogy(1:Kmax, err, o-); xlabel(迭代次数 k); ylabel(||e_k||_2); grid on;代码里有几个地方值得单独说。assignin(base,u_k,u)把当前轮控制量写进 base 工作区模型里的From Workspace块就是从这里取数。如果改用SimulationInput对象这一步可以省掉但初学阶段用assignin更直观方便你在命令行里plot(u_k)看波形。set_param那两行是整个脚本的关键。LoadInitialState关掉保证每轮从x(0)0起跑SaveFinalState关掉保证不把终态写回模型。这两行漏掉一行误差曲线就会在某个值附近来回波动看起来像“收敛到一个精度极限了”实际上是初值污染。e r - y对长度有要求。r是N×1y从 Dataset 里取出来也是N×1前提是模型的StopTime正好是Ts的整数倍。如果T10、Ts0.001N10001这没问题如果Ts设成0.0007长度会差一两个点r - y直接报维度不匹配。我一般会在循环里加一句assert(numel(y)N)出错早发现。movmean(u, Qwin)是最简陋的 Q 滤波器用滑动平均替代真正的低通。它能压住高频抖但会引入一点点相位滞后只是因为窗口小5 个点、5 ms实际影响可以接受。要做得更严谨见第 3 章的零相位滤波。Gamma的正负号不能乱给。第一轮跑完先看一眼err(1)如果第二轮比第一轮大先把Gamma取反试一次。符号对不对取决于被控对象的直流增益是正还是负这个后面还会展开。3. 学习律不是只有 PD 型、PD 型与 Q 滤波器的取法3.1 相对阶决定你该用 P 还是 D选学习律类型的依据是相对阶不是个人喜好。相对阶 0 的对象也就是传递函数分子分母同阶、存在直接馈通项D ≠ 0P 型就能收敛。判据是|1 - Γ·G(jω)| 1对所有频率成立落实到操作上就是先看G(0)的符号Γ取同号幅值从小到大慢慢推。相对阶 1 的对象也就是G(s)分子比分母低一阶P 型在学习增益偏大的时候很容易把高频噪声放大。原因是误差直接反馈而对象对输入的响应滞后了一个采样周期这个滞后在学习律里变成了正反馈。常见做法是换成 D 型u_{k1}(t) u_k(t) Γ · ė_k(t)D 型相当于给误差加了个微分把滞后带来的相位差补回来。代价是微分对噪声敏感如果输出里有测量噪声ė_k会被放得很大。这时必须配 Q 滤波器一起用。相对阶 ≥ 2 的对象最难处理。P 型和 D 型都很难直接收敛需要相位超前补偿或者高阶学习律。如果手上的模型是二阶以上又想做 ILC我的建议是先加一个内环反馈把对象“压”成一阶等效再在外层做学习这比硬调高阶学习律省事得多。实践里最稳的起步方式先用 P 型跑通把Γ从0.1开始按 0.1 递增记录每一档跑 20 轮之后err(20)的值。找到err(20)开始不降反升的那个Γ取它的 0.5 到 0.6 倍作为工作值。留余量不是为了保守是因为实际系统里总有建模误差仿真上刚好收敛的参数搬到实物上大概率发散。3.2 Q 滤波器为什么 ILC 可以用“非因果”的实现Q 滤波器在 ILC 里的作用是把学习律在高频段的增益压到 1 以下。理论上|1 - Γ·G|在中低频小于 1 就够收敛但高频段只要有一点点超过 1噪声就会在那个频率上被逐轮放大最后表现为误差曲线上的锯齿怎么调增益都去不掉。Q 滤波器的形式是u_{k1}(t) Q(z) · [ u_k(t) Γ · e_k(t) ]Q(z)一般是一个低通滤波器。关键在于ILC 是离线按批次算的整个e_k(t)数组完整地躺在内存里所以可以用filtfilt做零相位滤波。前向一遍、反向一遍相位正好抵消等效幅频特性是|Q(jω)|²。这一点是 ILC 相对于实时控制的一个“特权”。实时控制里你不可能知道未来的信号任何滤波都会掉相位ILC 里你手里有整段轨迹所以掉相位这件事可以直接绕过。很多人第一次看到 ILC 论文里用非因果滤波会觉得不合理其实是因为下意识把它当成了在线算法。零相位滤波的代价是它对首尾样本的处理会有边界效应。filtfilt默认用反射填充试验首尾那几十个点会被削一下如果参考轨迹在首尾有大跳变那一段的误差会偏大。处理办法是把滤波器的阶数压低二阶巴特沃斯足够或者手动给首尾做对称延拓再滤波。截止频率怎么定先画|1 - Γ·G(jω)|的波特图看它在哪个频率开始超过 1把Q的截止频率设在那个频率的 0.7 倍左右。不要凭感觉设设高了等于没滤设低了会把有用的中频学习能力砍掉表现为误差收敛到某个值就下不去了。3.3 一套能直接改参数的 PD 零相位滤波实现把 D 型和 Q 滤波合起来主循环改写如下%% ilc_pd_q.m —— PD 型学习律 零相位 Q 滤波 Kp 0.55; % 比例学习增益 Kd 0.004; % 微分子项系数量纲上要除以 Ts fc 40; % Q 滤波器截止频率 (Hz) Fs 1/Ts; [bq, aq] butter(2, fc/(Fs/2)); % 二阶巴特沃斯归一化截止频率 u zeros(N,1); err zeros(Kmax,1); for k 1:Kmax assignin(base,u_k,u); out sim(mdl); y out.yout; e r - y; de [0; diff(e)] / Ts; % 后向差分长度保持 N u u Kp*e Kd*de; % PD 更新 u filtfilt(bq, aq, u); % 零相位滤波不掉相位 err(k) norm(e,2); fprintf(iter %3d ||e||_2 %.6e max|e| %.6e\n, ... k, err(k), max(abs(e))); endde [0; diff(e)]/Ts这一行有两个细节。前面补一个 0 是为了让de和e长度一致补 0 相当于假设初始时刻误差变化率为零这个假设在e(1)≈0的时候成立。除以Ts是把差分换算成变化率Kd的物理量纲由你自己定但一旦定了改Ts之后Kd要跟着调否则学习强度会变。filtfilt有个硬性要求信号长度必须大于3×(滤波器阶数×2)二阶滤波器大概是 12 个点以上。N一般都在几百上千不成问题。但如果你做的是短周期试验比如只有 20 个采样点filtfilt会报错这时候只能退回去用filter或者直接不滤。max|e|这个指标建议一起打印。只看 2-范数有时候会骗人某几个采样点误差特别大但整体能量在降||e||_2好看实际跟踪效果很差。两个指标一起看能早一点发现局部发散。最后补一个常用的改动遗忘因子。alpha 0.02; % 遗忘因子0 表示不遗忘 u (1-alpha)*u Kp*e Kd*de; % 带遗忘的更新加了遗忘因子之后学习律不再是纯积分形式对非重复性扰动有了抑制能力代价是纯重复性误差的收敛精度会略微下降。alpha取 0.01 到 0.1 之间小于 0.01 基本等于没加大于 0.1 会明显拖慢收敛速度。4. 批量仿真怎么组织sim 驱动、数据落地与误差范数4.1 sim() 调用的几个必须设对的参数sim的调用方式直接决定跑得快不快、数据取得对不对。最朴素的是out sim(mdl)模型参数全部靠set_param提前设好。这种方式的问题在于每次调用都会重新解析一遍模型模型大的时候启动开销能占到总耗时的三成以上。推荐用SimulationInput对象复用%% 用 SimulationInput 复用配置减少重复解析开销 simIn Simulink.SimulationInput(mdl); simIn simIn.setModelParameter(StopTime, num2str(T), ... LoadInitialState,off, ... SaveFinalState,off, ... SaveOutput,on, ... OutputSaveName,yout); for k 1:Kmax simIn simIn.setVariable(u_k, u); % 变量注入不碰 base 工作区 out sim(simIn); y out.yout; % ... 更新律 endsetVariable的好处是把变量注入到仿真自己的工作区不污染 base。之前用assignin的时候跑完一轮u_k就留在那儿了如果两套实验交替跑很容易拿错数据。SaveOutput和OutputSaveName决定out.yout里有什么。如果不显式设新版 MATLAB 默认把输出存成out.yout但老版本可能是out.get(yout)跨版本迁移的时候会报错。稳妥做法是显式设一遍。还有两个参数容易被忽略。ReturnWorkspaceOutputs在新版里默认是on不用管SaveSimulationMetadata建议关掉它会往输出里塞一堆诊断信息跑几百轮之后内存会涨得很快。4.2 数据落地Dataset、To Workspace 与采样对齐输出数据有三种存法各有用处。Datasetlogsout结构化最好支持多信号、支持信号名索引缺点是取数要out.logsout.get(y).Values.Data多一层转换。To Workspace 块 Array 格式最快直接是N×1数组缺点是模型里每加一个观测信号就要加一个块模型会变臃肿。To Workspace 块 Timeseries 格式带时间轴方便resample缺点是每次取数都要.Data。我一般用 Dataset 存主输出y用 Array 存几个调试用的中间量比如控制量u本身、误差e跑完一轮直接把 Array 变量覆盖掉不留历史。采样对齐是这里最容易出错的地方。模型输出的长度由求解器和StopTime共同决定理想情况下是N T/Ts 1但有三种情况会让它偏离一是模型里有Transport Delay块延迟不是Ts的整数倍求解器会插值出额外的点。二是用了变步长求解器输出点由求解器自己定长度不可控。三是StopTime写成了10.0而Ts0.001浮点累加误差会让最后一个点丢或多。第三种最常见解决办法是StopTime直接写num2str(N*Ts - Ts)而不是num2str(T)用采样点数反推时长。每次跑完加一句断言assert(numel(y) N, sprintf 输出长度 %d 与预期 %d 不一致, numel(y), N);这种断言很粗暴但能帮你在一堆数值问题里第一时间定位到“是长度错了”还是“是算法不收敛”。4.3 收敛曲线与参数扫描脚本单次实验跑完看semilogy(1:Kmax, err)这条曲线够不够。判断标准有两条误差是否整体下降下降是否在最后几轮趋于平缓。如果曲线是一条水平线说明学习增益太小或者符号反了如果曲线先降后升说明增益太大高频段已经开始放大。参数扫描用两层循环把Γ和Q截止频率一起扫%% 参数扫描Γ × fc记录每个组合的最终误差 Gammas [0.2 0.4 0.6 0.8 1.0]; fcs [20 40 80 160]; result zeros(numel(Gammas), numel(fcs)); for gi 1:numel(Gammas) for fi 1:numel(fcs) Gamma Gammas(gi); [bq, aq] butter(2, fcs(fi)/(Fs/2)); u zeros(N,1); for k 1:30 % 每个组合跑 30 轮够看趋势 assignin(base,u_k,u); out sim(mdl); e r - out.yout; u filtfilt(bq, aq, u Gamma*e); end result(gi, fi) norm(e, 2); % 记录最后一轮的误差 end end imagesc(fcs, Gammas, log10(result)); set(gca,YDir,normal); colorbar; xlabel(Q 滤波器截止频率 (Hz)); ylabel(学习增益 \Gamma);这个扫描脚本跑起来不快四乘五一共 20 个组合、每组 30 轮就是 600 次仿真。模型小的话几分钟能出结果模型大的话建议先把Kmax降到 15 轮看趋势够了再精细调。log10(result)是为了让色阶拉开误差跨两三个数量级的时候线性色阶看不出差别。扫描结果里通常会出现一个“平原”区域Γ在中间某段、fc在中间某段误差都很低。取平原中心而不是边缘这是留余量的另一种做法。5. 排查清单ILC 仿真跑不出收敛的五种现场5.1 误差降到某个值就卡住怎么加迭代都不动现象err曲线前 10 轮降得很快之后变成一条水平线||e||_2卡在 1e-3 量级不再下降加大Γ也没用。原因九成是初值污染。模型里Final states没关或者Initial state被勾上了导致每轮试验的起点不是x(0)0而是上一轮的终点。这样误差里混进了一个与k相关的常量偏置学习律一直在补偿这个偏置压不到真正的跟踪误差上。解决set_param(mdl,LoadInitialState,off)和set_param(mdl,SaveFinalState,off)两行都加上。改完先在循环里打印y(1)正确情况下每轮的y(1)应该完全一样差一点点都说明状态没复位干净。另外检查模型里有没有Integrator块设了初始条件、有没有Data Store Memory带着上一轮的值。5.2 第一轮就发散误差指数级涨到溢出现象err(1)正常err(2)比err(1)大两三倍之后每轮翻倍十几轮之后变成Inf或者NaN。原因学习增益符号反了或者学习律类型和对象相对阶不匹配。符号反了最好判断把Γ取负再跑一次就能确认。更隐蔽的是类型不匹配给一个相对阶 1 的对象硬上 P 型Γ小的时候能勉强收敛稍大一点就发散看起来像“增益上限很低”实际上是选错了学习律。解决先做符号测试Γ取0.1和-0.1各跑 5 轮看哪个在降。符号确认之后如果增益上限仍然很低比如只能给到 0.05换成 D 型再试。判断相对阶的方法很简单看传递函数分子分母的阶数差或者给对象一个阶跃输入看输出是不是立刻有响应。立刻有响应是相对阶 0滞后一个采样周期是相对阶 1。5.3 误差曲线整体在降但上面叠加了高频锯齿现象semilogy出来的曲线趋势是向下的但每个点附近都有明显的抖动max|e|和||e||_2差了一到两个数量级控制量u的波形看起来像噪声。原因没有 Q 滤波器或者截止频率设得太高。ILC 的更新律本质上是积分环节对高频段的增益是|1 - Γ·G|只要这个值在高频超过 1噪声就会逐轮放大。另一种可能是微分项Kd给得太大把输出里的数值噪声放大了。解决先加 Q 滤波器截止频率从对象带宽的 0.7 倍开始试逐步往上推找到锯齿刚开始出现的那个频率再退回来。用filtfilt而不是filter避免滤波本身引入相位滞后。如果加了滤波还有锯齿把Kd降到原来的三分之一试一次。做完这两步之后把u的波形画出来看正常的u应该是光滑的有明显的锯齿说明滤波没到位。5.4 跑到几十轮之后越来越慢内存一直涨现象前 20 轮每轮 2 秒到 60 轮之后每轮变成 8 秒任务管理器里 MATLAB 的内存占用线性上升最后可能报Out of memory。原因每次sim()都返回一个完整的SimulationOutput对象里面装着全部信号、元数据、诊断信息。如果这些对象被存进数组比如outs(k) out内存就是Kmax倍增长。另一种情况是模型开了SaveSimulationMetadata每轮都往输出里塞一份模型快照。解决循环里只取需要的字段取完就把out覆盖掉不要存整个对象。要留历史数据的话只留y、u、err这几个N×1数组。set_param(mdl,SaveSimulationMetadata,off)也加上。如果确实需要保留每一轮的完整输出改成存到.mat文件里跑完一轮save一次然后clear不要全堆在内存里。5.5 报错说维度不匹配但怎么看模型都对现象e r - y这一行报Matrix dimensions must agree打印出来numel(r)是 10001numel(y)是 10000 或者 10002。原因StopTime和Ts不是严格的整数倍关系。T10、Ts0.001的时候浮点运算下10/0.001可能算出9999.9999round之后是 10000但模型实际输出了 10001 个点。也可能是模型里有代数环或者过零检测求解器多输出一个点。解决StopTime不要直接写T改成num2str((N-1)*Ts)用采样点数反推时长。然后在循环开头加断言长度不符时立刻停下来别让它跑到e r - y才报错。如果断言一直不过把out.yout的Time字段打出来看最后一个时间点是多少正常应该正好等于(N-1)*Ts多一点点或少一点点都能看出来。注意这五条里第 1 条和第 2 条占实际翻车案例的一大半。每次新建模型我会先把状态复位那两行set_param写上再写别的顺序反了后面排查会很痛苦。6. 收敛性验证把时域范数和频域界对起来做交叉检查时域看||e_k||_2只能告诉你“在降”不能告诉你“还能降多少、余量有多大”。补一个频域检查心里才有底。做法是从模型里把被控对象的线性模型提出来linmod或者直接用手上的状态空间矩阵都行然后画|1 - Γ·G(jω)|的幅频曲线%% 频域收敛判据检查 [Ac,Bc,Cc,Dc] linmod(mdl); % 在当前工作点线性化 G ss(Ac,Bc,Cc,Dc); w logspace(-1, 3, 500); M 1 - Gamma * squeeze(freqresp(G, w)); % 注意 G 的符号约定 figure; semilogx(w, abs(M), LineWidth, 1.2); hold on; yline(1, r--); xlabel(\omega (rad/s)); ylabel(|1 - \Gamma G(j\omega)|); grid on;曲线全部压在 1 以下才算合格。如果有某一段鼓起来超过 1那一段对应的频率就是误差会放大的频段表现出来就是u的波形上出现那个频率的纹波。这时候要么降Γ要么加 Q 滤波器把那段压下去。交叉检查的价值在于时域误差在降、频域曲线却有一段超过 1说明你的仿真里有些环节没被linmod捕获饱和、限幅、量化、延迟实机上这些环节会起作用仿真上的收敛不可信。反过来频域全在 1 以下但时域不收敛说明模型配置有问题八成还是状态没复位。最后说一个我常用的技巧找临界增益。把Γ从工作值开始每次乘 1.2 往上推跑到发散为止记下发散前那一档的Γ_max。实际工作值取0.5 × Γ_max到0.6 × Γ_max。这个比例不是拍脑袋是因为建模误差和采样抖动通常会把有效增益往上抬 30% 到 50%留一半余量刚好覆盖。从那以后我每次调完 ILC 参数都会把时域误差曲线和频域|1 - Γ·G|曲线并排放在一个 figure 里截图存档跑实物之前先看一眼这两张图对不对得上。对不上就别上机省钱省时间。希望帮到你。本文还有配套的精品资源点击获取