1、目的及意义

1.1研究目的及意义

自20世纪50年代末以来，现代控制理论得到了空前的发展和完善，在诸多方面取得了令人瞩目的成就。然而，无论从学科发展还是应用需求方面来看，现代控制理论研究和应用都面临着巨大的挑战。现代控制理论是基于受控对象的数学模型或标称模型已知这个基本假设建立和发展起来的。众所周知，建立受控系统的数学模型不是一件容易的事，系统精确建模和模型简约或控制器简约、未建模动态和系统鲁棒性、未知不确定性与鲁棒控制要求不确定性上界已知等问题在传统的基于模型的控制理论研究框架下是非常难解决的。而且近年来随着科学技术、特别是信息学科技术的快速发展，生产的过程越来越复杂，对产品质量的要求越来越高，使得基于受控对象精确数学模型的控制理论和方法在实际应用中变得越来越困难。

实际系统和工业过程时刻都在产生大量的生产和过程数据，这些数据隐含着系统状态变化和过程运行等信息。因此，如何有效利用这些数据以及这些数据中蕴含的知识，在难以建立受控系统较准确模型的条件下，实现对系统和生产过程的优化控制已成为控制理论界迫切需要解决的问题。研究和发展数据驱动控制理论与方法是新时期控制理论发展与应用的必然选择，具有重大的理论与现实意义。

无模型自适应控制（ModelFree Adaptive Control,MFAC）是一种典型的数据驱动控制方法，无模型自适应控制仅利用受控系统的输入输出(Input/Output)数据进行控制器的设计与分析，能实现未知非线性受控系统的参数自适应和结构自适应控制。因而摆脱了控制器设计对受控系统数学模型的以来以及一些孪生的问题。

工程实际中，很多系统都是在有限时间区间上重复执行着相同的控制任务，在控制任务重复时，系统也会表现出相同的行为，事实上，这种重复性可以被用于改善系统的控制品质。然而时间域上的控制方法不具有从过去重复操作中学习的能力，相反，针对重复过程的迭代学习控制方法在构造当前控制算法时，可利用记忆装置存储的过去重复过程的控制输入和跟踪误差信息来设计和修正当前的控制输入，从而提高系统当前循环过程中的误差精度。

基于最优性能指标的无模型自适应迭代学习控制方法可适用于一大类重复运行的未知非线性非仿射系统的控制问题，且能够保证系统输出误差沿迭代轴的单调收敛。该方法是一种数据驱动的无模型控制方法，其基本思想如下：首先沿迭代轴方向引入伪偏导数的概念，给出迭代域的基于输入输出增量形式的紧格式动态线性化数据模型。其基本思路如下：首先，沿迭代轴方向引入伪偏导数的概念，给出迭代域的基于输入输出增量形式的紧格式动态线性化数据模型。然后，基于动态线性化数据模型，给出相应的无模型自适应迭代学习控制方法的设计方法。

1.2 国内外研究现状

1.2.1 MFAC的国内外研究现状

MFAC是侯忠生与韩志刚教授于1993~1994年提出的，经过20余年的研究与发展，无模型自适应控制在理论上逐步得到了完善和发展，如形成了伪偏导数、伪梯度、伪Jacobian矩阵和广义Lipschitz条件等新概念，形成了无模型自适应控制（基于紧格式的、基于偏格式的、基于全格式的）、无模型自适应预测控制、无模型自适应预测控制、无模型自适应迭代学习控制、无模型自适应预测函数控制，基于无模型估计型嵌入式系统设计等等，应用范围由基本的单输入单输出系统到多输入多输出系统，由线性系统到非线性系统。