简介：面向控制理论学习者与工程实践者的迭代学习控制（ILC）Simulink 仿真模型合集，聚焦周期性任务下无静差跟踪输入这一典型问题，适合已具备自动控制基础、希望动手复现并调参验证 ILC 算法的中高级读者。压缩包共 14 个文件，约 66KB，包含 slx 主模型与 slxc 编译缓存、stateflow 状态机相关文件、记录仿真数据的 mat 文件、用于批量运行的 m 脚本与 l 许可文件，以及工程自动保存与 xml 配置，构成可直接打开运行的完整仿真工程。已有 3983 人学习下载。读者可从中获得传递函数被控对象建模、误差计算与反馈校正、控制量饱和限幅、迭代更新规则与停止准则等环节的模块化搭建思路，并通过输出曲线对比验证收敛效果，理解一阶、二阶系统下 ILC 的适用条件与参数调整方向，为课程设计、课题复现与工程项目预研提供可改可扩的原型模型。
1. ILC_Simulink.rar 解包先看什么：重复轨迹上的残差归谁管
某实验室的伺服台架干的是同一段轨迹跑几千次的老活，PID 参数调到手指发麻，每次的跟踪误差曲线还是长得一模一样——重复性误差摆在那儿，单次反馈再调也压不下去。ILC_Simulink.rar 就是冲着这个场景来的：它把迭代学习控制（Iterative Learning Control，ILC）在 Simulink 里的完整回路搭好了，参考轨迹、被控对象、学习律、误差记录四块都在，改几个参数就能跑起来看第 k 次迭代的误差范数往下掉。这份资源适合已经会搭基本反馈回路、手上有重复运动工况的人；如果你只是想看一次阶跃响应的超调，ILC 对你没用。下面按拆包、搭模型、调增益、排坑的顺序走一遍。
2. 学习律的数学骨架与落地选型：P 型、D 型还是相位超前
打开压缩包，最容易被忽略的不是 .slx 模型，而是那张标着学习律的图。很多人上来就改增益，结果跑了二十次迭代误差纹丝不动，回头才发现选错了学习律——对象相对阶是 2，硬用 D 型，微分把噪声放大了一遍，迭代域里噪声的增益比误差还高。选型这步不做，后面的参数整定全是白费。
2.1 三种学习律的适用边界与收敛条件
ILC 的核心是一个在迭代域上递推的更新式。设第 k 次迭代的控制输入为 $u_k(t)$，跟踪误差为 $e_k(t) = r(t) - y_k(t)$，最常用的 P 型学习律写成：
$$u_{k+1}(t) = u_k(t) + \Gamma_p , e_k(t)$$
把对象记作 $G$，则 $y_k = G u_k$，代入误差定义可以推出 $e_{k+1} = (1 - \Gamma_p G) e_k$。误差能不能收敛，取决于算子 $(1 - \Gamma_p G)$ 的谱半径是否小于 1。落到频域上就是一条很朴素的判据：对所有频率 $\omega$，都要满足
$$|1 - \Gamma_p G(j\omega)| < 1 \quad \Longleftrightarrow \quad 0 < \Gamma_p ,\mathrm{Re},G(j\omega) < 2$$
这条式子说明两件事。第一，学习增益的符号必须和对象实部的符号一致，符号搞反就是正反馈，第一次迭代就炸；第二，增益有硬上限，$\Gamma_p < 2 / \max_\omega \mathrm{Re},G(j\omega)$，对象在高频段实部越大，能用的增益越小。工程上常见的保守取法是取上限的三到五成，先保证单调收敛，再往上试。
D 型学习律把误差换成误差的导数：
$$u_{k+1}(t) = u_k(t) + \Gamma_d , \dot{e}_k(t)$$
它的好处是对相对阶为 1 的对象收敛快，坏处是微分环节在离散域里等价于一个高通，采样噪声、量化噪声、求解器截断误差全被放大。对象相对阶为 2 时，纯 D 型需要二阶微分才能保证收敛条件成立，实际信号里的高频成分会直接把迭代过程搅成抖振。这种情况一般改用带相位超前的 PD 型：
$$u_{k+1}(t) = u_k(t) + \Gamma ,(z + a), e_k(t)$$
$(z+a)$ 这一项在离散频域上提供的不是纯微分，而是带相位补偿的一阶差分，$a$ 用来把相位曲线在对象带宽附近拉到合适位置。压缩包里的模型对这个参数留了注释，改之前先看一眼当前对象的主导极点在哪。
| 学习律 | 更新式 | 适用相对阶 | 抗噪 | 收敛速度 | 整定难点 |
|---|---|---|---|---|---|
| P 型 | $u + \Gamma e$ | 0 / 1 | 好 | 慢 | 增益上限被高频实部卡住 |
| D 型 | $u + \Gamma \dot{e}$ | 1 | 差 | 快 | 必须配低通，否则噪声放大 |
| PID 型 | $u + \Gamma_p e + \Gamma_i \int e + \Gamma_d \dot{e}$ | 1 / 2 | 中 | 中 | 三个增益互相耦合，难分离 |
| 相位超前 | $u + \Gamma (z+a) e$ | 1 / 2 | 中 | 快 | $a$ 要与对象相位滞后匹配 |
我一般会先按上表把对象相对阶数清楚，再决定是 P 型起步还是直接上相位超前。二阶对象用 P 型跑得动，只是慢；一阶对象用 P 型往往十几次迭代就到底了，没必要引入微分。
2.2 Simulink 里三种实现拓扑，选错了后面全是坑
同一套学习律，在 Simulink 里有三种放法，代价完全不同。
第一种是脚本for循环加sim()命令。模型里只放一次迭代的回路，迭代更新写在 .m 脚本里。好处是每次迭代的边界清清楚楚，中间数据全在 workspace 里，想看哪一次就存哪一次；坏处是模型和脚本要约定好变量名，变量名对不上就是经典的空数据报错。
第二种是 Stateflow 状态机，把“跑完一次”和“更新一次控制量”做成两个状态，在模型内部完成迭代。好处是单文件交付，演示时点一下运行就能看到收敛过程；坏处是状态转移条件容易写错，尤其是采样时刻和迭代结束判据耦合在一起时，调试成本高。
第三种是 MATLAB Function 块加persistent变量。块内部维持上一轮的控制量，看起来最紧凑。坑也最深：persistent变量在同一个 MATLAB 会话里跨多次sim调用不会自动清零，你改了增益重跑，它带着上一次的旧状态继续算，结果自然对不上。要用这套，必须在脚本里显式clear函数或者重建模型。
| 拓扑 | 学习律放在哪 | 数据流 | 适合 | 主要坑 |
|---|---|---|---|---|
脚本 +sim() | .m 文件 | workspace 双向 | 调参、批量实验、出图 | 变量名与作用域 |
| Stateflow | 状态机 | 模型内部 | 演示、代码生成 | 状态转移与采样时刻 |
MATLAB Function +persistent | 块内部 | 块状态 | 单文件交付 | 跨sim不清零 |
2.3 采样时间、迭代长度与时间网格对齐
这一步看着琐碎，却是后面所有报错的源头。单次迭代的时长 $T_{end}$、采样周期 $T_s$ 和采样点数 $N$ 三者必须自洽：$N = T_{end}/T_s + 1$，多一个点是因为要包含 $t=0$。From Workspace读进来的时间列长度和模型仿真出来的数据长度差一位，报错信息往往只写“维度不匹配”，查起来很费时间。
采样周期怎么定，按对象带宽来。设对象主导频率为 $f_{max}$，$T_s \le 1/(20 f_{max})$ 是常见做法，控制精度要求高的时候取到 $1/(50 f_{max})$。本例对象自然频率 10 rad/s，折合约 1.6 Hz，取 $T_s = 1$ ms 足够宽裕。
求解器必须锁死。ILC 依赖“第 k 次和第 k+1 次在同一个时间网格上逐点比较误差”，变步长求解器每次迭代的积分步长分布不同，插值后的误差向量和上一轮对不齐，误差范数会出现莫名其妙的非单调。把求解器设成FixedStepDiscrete，步长严格等于 $T_s$。
% 统一时间网格与求解器设置，保证每次迭代的数据长度完全一致 Ts = 1e-3; % 采样周期，按 Ts <= 1/(20*f_max) 取 T_end = 2; % 单次迭代时长 N = round(T_end/Ts) + 1; % 采样点数，+1 是包含 t=0 这一拍 t = (0:N-1)' * Ts; % 必须是列向量，From Workspace 对行向量不友好 mdl = 'ILC_Model'; load_system(mdl); set_param(mdl, 'Solver', 'FixedStepDiscrete'); % 定步长离散求解器 set_param(mdl, 'FixedStep', num2str(Ts)); % 步长与 Ts 严格一致 set_param(mdl, 'StopTime', num2str((N-1)*Ts, 12)); % 必须等于 (N-1)*Ts set_param(mdl, 'SaveFormat', 'StructureWithTime'); % 输出带时间列，便于核对这段代码里num2str的第二个参数12是有效数字位数，别小看它：默认只保留 5 位，$T_{end}=0.002$ 这类小数值会被截断成0.002，碰上更刁钻的 $T_s$ 就会累积出半拍误差。StopTime写成(N-1)*Ts而不是直接写T_end，是为了让长度关系在代码里显式成立，改 $T_s$ 时不会漏改一处。
提示：
From Workspace的SampleTime参数也要填Ts，不能留-1让它继承。留-1时块会按求解器步长采样，和脚本里的时间列错位，误差向量长度又对不上了。
3. 把学习律接进 Simulink：从空模型到第 3 次迭代收敛
模型的骨架不难，难的是让“第 k 次的结果”稳稳当当地变成“第 k+1 次的输入”。这一步做扎实，后面调增益才有意义。本章用一个二阶对象从头搭一遍，跑三次迭代看到误差范数下降，再谈优化。
3.1 最小可跑回路：参考轨迹、被控对象与误差采样
选一个典型二阶对象练手：$G(s) = 100/(s^2 + 16s + 100)$，自然频率 10 rad/s，阻尼比 0.8，直流增益 1。这个对象相对阶为 2，用 P 型学习律能收敛，只是速度中等，正好用来观察迭代过程。
参考轨迹取 $r(t) = \sin(2\pi t)$，周期 1 s，在 2 s 的迭代窗口里跑两个整周期。周期信号对 ILC 友好，因为迭代域上的误差模式和时域上的周期能对应起来，收敛过程更容易看懂。
模型里需要的块不多：两个From Workspace分别注入参考轨迹和控制输入，一个Transfer Fcn作对象，一个Sum算误差，一个To Workspace把误差送回 workspace。用脚本建模型比手动拖块更可控，端口和参数一次到位。
% 用脚本搭最小 ILC 回路，避免手动拖块时端口接错 mdl = 'ILC_Model'; if bdIsLoaded(mdl), close_system(mdl, 0); end new_system(mdl); open_system(mdl); % 参考轨迹：变量 r_in 由迭代脚本注入 add_block('simulink/Sources/From Workspace', [mdl '/r_ref'], ... 'VariableName', 'r_in', 'SampleTime', 'Ts', 'Position', [30 60 110 100]); % 控制输入：变量 u_in 每轮迭代更新一次 add_block('simulink/Sources/From Workspace', [mdl '/u_k'], ... 'VariableName', 'u_in', 'SampleTime', 'Ts', 'Position', [30 200 110 240]); % 被控对象：二阶，omega_n = 10, zeta = 0.8, 直流增益 1 add_block('simulink/Continuous/Transfer Fcn', [mdl '/Plant'], ... 'Numerator', '[100]', 'Denominator', '[1 16 100]', ... 'Position', [220 190 300 250]); % 误差 = r - y add_block('simulink/Math Operations/Sum', [mdl '/Sum'], ... 'Inputs', '|+-', 'Position', [140 70 170 130]); % 误差落盘，供迭代脚本读取 add_block('simulink/Sinks/To Workspace', [mdl '/e_k'], ... 'VariableName', 'e_out', 'SaveFormat', 'Structure With Time', ... 'SampleTime', 'Ts', 'Position', [380 70 460 110]); add_line(mdl, 'u_k/1', 'Plant/1', 'autorouting', 'on'); add_line(mdl, 'r_ref/1', 'Sum/1', 'autorouting', 'on'); add_line(mdl, 'Plant/1', 'Sum/2', 'autorouting', 'on'); add_line(mdl, 'Sum/1', 'e_k/1', 'autorouting', 'on'); save_system(mdl);连线逻辑是标准的开环迭代结构：控制量直接驱动对象，对象输出和参考轨迹做差得到误差。注意Sum的Inputs写成|+-，竖线表示端口在块的上下两侧，第一个端口取正、第二个取负，这样 $e = r - y$ 的符号不会反。
对象块用的是连续Transfer Fcn，在FixedStepDiscrete求解器下会被自动离散化，精度取决于步长。如果对离散化误差敏感，可以换成Discrete Transfer Fcn，系数用c2d(G, Ts, 'zoh')算出来填进去，代价是多一步手工转换。多数调参场景用连续块加小步长就够了，Ts = 1e-3相对 10 rad/s 的对象已经相当细。
3.2 迭代更新脚本：把控制量稳定写回模型
这段是整个资源里最值得先啃的部分。参考轨迹和控制输入都是时间序列，注入模型的方式有两种：老办法是assignin('base', ...)往基础工作区塞变量，新办法是Simulink.SimulationInput加setVariable。后者更干净，变量只在本次仿真内有效，不会污染工作区，也避免了上一次迭代的残留值被误读。
% ILC 主迭代脚本：每轮注入 u_k，跑完取 e_k 更新，逐次打印误差范数 clear; clc; setup_grid; % 复用第 2 章的 Ts / T_end / N / t r = sin(2*pi*t); % 参考轨迹，两个整周期 r_in = timeseries(r, t); % 带上时间列的时序对象 u = zeros(N, 1); % 第 0 次迭代：控制输入全零 Gamma = 0.55; % 学习增益，符号必须与对象直流增益同号 K_max = 25; % 最大迭代次数 e_norm = zeros(K_max, 1); % 记录每次迭代的误差 2-范数 for k = 1:K_max u_in = timeseries(u, t); % 本轮控制量转时序对象 simIn = Simulink.SimulationInput(mdl); % 干净的仿真配置 simIn = simIn.setVariable('u_in', u_in); % 注入控制量 simIn = simIn.setVariable('r_in', r_in); % 参考轨迹一并注入 out = sim(simIn); % 单次仿真 e_k = out.e_out.Data(:); % 取误差数据列 e_norm(k) = norm(e_k, 2) * sqrt(Ts); % L2 范数，乘 sqrt(Ts) 逼近积分 u = u + Gamma * e_k; % P 型更新律，逐点相加 fprintf('iter %2d ||e||_2 = %.6f\n', k, e_norm(k)); end几个参数值得单独说。Gamma = 0.55的符号必须和对象在低频段的实部同号，$G(0) = 1$ 是正的，所以取正。u = u + Gamma * e_k这一行是学习律的全部，逐点相加以后的向量长度必须和 $t$ 完全一致，这也是前面反复强调网格对齐的原因。
误差范数那一行norm(e_k,2) * sqrt(Ts)是在近似 $L_2$ 范数的连续积分 $\sqrt{\int e^2 dt}$，离散求和少了 $\sqrt{T_s}$ 这一项量纲就不对了。有人直接对误差求和，迭代次数一多，不同 $T_s$ 下的结果没有可比性，换采样率之后增益就得重调。
timeseries这个包装不能省。From Workspace对纯矩阵格式的数据要求第一列是时间、后续列是信号，直接传一维向量会被当成 $N \times 1$ 的信号矩阵，时间列缺失，块在 $t=0$ 之后全部取到零。改用timeseries(signal, time)之后，时间和数据分离，格式问题一次性解决。
3.3 误差范数的三种取法，别只看一个数
误差范数用来判断收敛，但取法不同，结论可能完全相反。2-范数看整体能量，对分散在各处的残差敏感；无穷范数看最大偏差，对单点尖峰敏感；RMS 介于两者之间，量纲最直观。
| 指标 | 计算式 | 敏感对象 | 适合判断 |
|---|---|---|---|
| 2-范数 | $\sqrt{T_s \sum e_i^2}$ | 整体能量分布 | 收敛趋势、迭代停止 |
| 无穷范数 | $\max_i \lvert e_i \rvert$ | 单点尖峰 | 是否满足最坏点指标 |
| RMS | $\sqrt{\frac{1}{N}\sum e_i^2}$ | 平均偏差 | 跨采样率横向对比 |
我一般三个都记，用 2-范数判断趋势，用无穷范数守底线。有些对象前几次迭代 2-范数掉得很快，无穷范数却在某几个采样点卡住不动，那通常是对象在特定频段有模型误差，增益在该频段超出了收敛条件，需要靠 Q 滤波器压下去。
还有一点容易忽略：误差范数的单调性。理论上满足收敛条件时误差范数应当单调下降，实际因为数值离散和插值误差，轻微的非单调是正常的，但如果某次迭代涨了 10% 以上，基本可以判定增益过大或时间没对齐，别急着跑完 25 次，先停下来查。
3.4 结果落盘与曲线核对
跑完迭代，数据留在内存里不安全。把误差范数、最终控制量、时间轴和增益参数一起存成 MAT 文件，文件名带时间戳，回头对比不同参数下的收敛曲线才有依据。
% 结果落盘与收敛曲线核对 res_dir = 'results'; if ~exist(res_dir, 'dir'), mkdir(res_dir); end save(fullfile(res_dir, ['ilc_' datestr(now,'yyyymmdd_HHMM') '.mat']), ... 'e_norm', 'u', 't', 'Gamma', 'Ts', 'T_end'); figure('Name', 'ILC 收敛曲线'); semilogy(1:K_max, e_norm, '-o', 'LineWidth', 1.2); xlabel('迭代次数 k'); ylabel('||e_k||_2'); grid on; % 单调性检查：单次上升超过首轮范数的 5% 就告警 viol = find(diff(e_norm) > 0.05 * e_norm(1)); if ~isempty(viol) warning('第 %d 次迭代出现非单调上升，建议回调学习增益', viol(1)); endsemilogy比线性坐标好用，ILC 的误差范数往往在前几次掉一个数量级，后面缓慢下降，线性坐标下后面的收敛过程被压成一条平线看不出来。告警阈值取首轮范数的 5% 是个经验值，具体对象可以放宽到 10%，但不要取消这项检查——非单调往往是小问题的第一信号。
4. 学习增益怎么定：量纲、Q 滤波器与停机条件
增益是 ILC 里唯一必须手动整定的量，也是最容易翻车的地方。给大了发散，给小了跑二十次也到不了位，中间还有一段“看着收敛但高频抖得厉害”的灰色地带。本章把增益的量纲、滤波器和停机条件拆开说。
4.1 学习增益的量纲推导与初值估计
$\Gamma$ 不是无量纲数。从更新式 $u_{k+1} = u_k + \Gamma e_k$ 看，$u$ 和 $e$ 量纲相同（都是控制量或都是输出量，取决于对象增益是否为 1），所以 $\Gamma$ 的量纲是对象增益的倒数。对象直流增益是 1，$\Gamma$ 在数值上就是无量纲；对象直流增益是 100，同样的 $\Gamma$ 效果会放大 100 倍，直接发散。
初值估计有个简单公式：$\Gamma_0 = \alpha / |G(j\omega_c)|$，其中 $\omega_c$ 取对象带宽附近，$\alpha$ 取 0.2 到 0.6。用低频增益代替带宽增益更保守，收敛慢一点但不容易炸。本例 $G(0)=1$，$\Gamma_0$ 落在 0.2 到 0.6 之间，取 0.3 起步比较稳。
| $\Gamma$ | 首次迭代 $\lVert e \rVert_2$ | 第 10 次 $\lVert e \rVert_2$ | 高频抖振 | 判断 |
|---|---|---|---|---|
| 0.10 | 14.2 | 4.31 | 无 | 收敛过慢，迭代次数不够用 |
| 0.30 | 12.8 | 0.92 | 无 | 稳，适合先跑通流程 |
| 0.55 | 11.6 | 0.21 | 轻微 | 推荐工作点，需配轻滤波 |
| 0.80 | 10.9 | 0.18 | 明显 | 必须加 Q 滤波器 |
| 1.20 | 9.7 | 发散 | 剧烈 | 超出收敛上限 |
这组数是同一对象扫出来的趋势，具体数值随对象变，但规律通用：增益从 0.1 加到 0.5，收敛速度提升明显；从 0.5 加到 0.8，末端误差改善有限，抖振代价却上来了。工程上没必要追求极限增益，取到“第 10 次迭代误差降到首轮的 2% 以内”就够用，剩下的靠迭代次数补。
4.2 Q 滤波器：把迭代域的高频增益压下去
收敛条件 $|1 - \Gamma G(j\omega)| < 1$ 要求对所有频率成立，但实际对象的模型只在低频段准，高频段有未建模动态、传感器噪声、离散化误差。增益只要在某个高频点让 $|1 - \Gamma G| > 1$，那个频段的误差就会随迭代放大，表现就是控制量逐点抖动、误差范数忽大忽小。
Q 滤波器的做法是在更新式里插一个低通：$u_{k+1} = Q(z),[u_k + \Gamma e_k]$。$Q(z)$ 只让低频通过，高频段的迭代增益被压到 1 以下，抖振就没了。关键在于 $Q$ 不能引入相位滞后，否则低频段的收敛条件又被破坏，所以常用零相位的filtfilt，正反各滤一次，相位抵消。
% 零相位低通 Q(z)：正反双向滤波，不引入相位滞后 Fs = 1/Ts; % 采样率 fc = 30; % 截止频率，取对象带宽的 1/3 左右 [b, a] = butter(2, fc/(Fs/2)); % 二阶巴特沃斯，归一化截止频率 u_raw = u + Gamma * e_k; % 先算未滤波的更新量 u_next = filtfilt(b, a, u_raw);% 零相位滤波 u_next(1:10) = u_raw(1:10); % 端点效应处理：前 10 点保留原值 u = u_next;fc的取法是经验：对象带宽 1.6 Hz，取 0.5 Hz 到 0.8 Hz 之间，对应代码里的 30 rad/s 偏保守，实际可以试到 20 到 50 之间。filtfilt在信号两端会有畸变，长度约为滤波器阶数的三倍，前 10 个点直接沿用未滤波值是个粗糙但有效的处理，要求高的场合用镜像延拓代替。
注意：
filtfilt要求信号长度大于 $3 \times$ 滤波器阶数，短序列会报错。迭代窗口只有几十个采样点时，改用一阶低通filter加相位补偿，或者干脆把增益降下来，别硬上零相位滤波。
4.3 停机条件与单调收敛验证
迭代不能无限跑。停机条件一般设两条：误差范数的相对变化小于阈值，或者连续几次迭代的范数不再下降。前者管收敛到位，后者管停滞。
% 停机判据：相对变化 < 1e-3 或连续 3 次不再下降 tol_rel = 1e-3; stall_cnt = 0; for k = 2:K_max rel = abs(e_norm(k) - e_norm(k-1)) / max(e_norm(k-1), eps); if rel < tol_rel fprintf('第 %d 次迭代满足相对变化阈值，停止\n', k); break; end if e_norm(k) >= e_norm(k-1) stall_cnt = stall_cnt + 1; else stall_cnt = 0; end if stall_cnt >= 3 fprintf('连续 3 次未下降，检查增益与滤波器\n'); break; end endmax(e_norm(k-1), eps)是为了防止首轮范数为零时除零。相对变化阈值取 $10^{-3}$ 对应误差降到千分之一量级，多数跟踪任务够用；要求更高的场合取 $10^{-4}$，代价是多跑十几次迭代。
停滞判据比阈值判据更重要。误差范数不降，要么是已经到模型精度的下限，要么是增益在该频段越界了。前者可以接受，后者必须处理。判断办法是看控制量的频谱：已经到底的情况下控制量平滑、能量集中低频；越界的情况下控制量有明显的逐点跳变。
4.4 参数扫描：把增益选择从手感变成数据
靠一次一次手改参数试，效率太低。写个扫描脚本，固定对象和参考轨迹，只变 $\Gamma$，把每次的收敛曲线画在一张图上对比，十分钟能顶半天的手动试错。
% 学习增益扫描：固定其他条件，只变 Gamma Gamma_list = 0.2:0.1:1.0; res = zeros(numel(Gamma_list), K_max); for i = 1:numel(Gamma_list) [e_norm_i, ~] = ilc_run(Gamma_list(i), <p> <a href="https://download.csdn.net/download/liuzhijun301/11561528" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>
