简介：这份资源面向控制理论学习者与工程实践人员，围绕迭代学习控制（ILC）在Simulink中的仿真实现，解决周期性任务下无静差跟踪与迭代律调试的问题，适合具备自动控制基础、希望动手验证ILC算法的中高级读者。压缩包共14个文件、约66KB，以mat数据、xml配置、m脚本和slx模型为主，另有Stateflow模型缓存与自动保存文件，便于直接打开运行并对照参数修改。已有3981人学习下载。模型以简单传递函数代表被控对象，将误差计算、增益反馈、限幅与迭代更新规则用Sum、Gain、Saturation等模块搭建，可观察多周期迭代后输出逼近期望值的曲线，并自行调整参数比较跟踪效果。借助这套模型，读者能完整走通从建模、算法集成到性能验证的流程，也可作为课程实验、论文复现与控制器设计的参考起点。

1. 先别急着调参数：Simulink ILC 资源包到底解决哪类重复轨迹问题

Simulink ILC 资源包最容易让人误判的地方，是把它当成一套现成的 PID 参数模板。实际拆开看，它围绕的是重复轨迹跟踪：同一段期望轨迹跑几十遍，用上一遍的误差去修正下一遍的控制输入。适合机械臂重复抓取、伺服往返定位、批次过程这类“轨迹不变、只改批次”的场景。如果你做的是非重复轨迹，或者每次初始状态都不同，ILC 的收益会迅速变差。这份资源的价值不在于给一个万能增益，而在于把迭代更新、误差存储和收敛观察串成可跑的 Simulink 闭环，让新手先看到收敛曲线，再谈调参；也让熟手能在一个干净模型上验证自己的学习增益和滤波策略。

2. 迭代学习控制在 Simulink 里的最小闭环：从误差记忆到控制更新

2.1 ILC 与常规 PID 的边界：为什么重复轨迹才配得上迭代

常规 PID 在 Simulink 里跑一遍，误差反馈当下就修正，下一批仿真重新从零开始。ILC 不一样，它把第 k 次迭代的误差 e_k 存下来，算成第 k+1 次的控制输入 u_{k+1}。离散 P 型更新最常见：u_{k+1}(t)=u_k(t)+L e_k(t)。这里的 t 是批内时间，k 是批次。收敛条件不是看单次闭环稳定，而是看迭代映射的谱半径：||I - L G|| < 1。G 是从控制输入到输出的算子。实际调参时不用真去算谱半径，但要知道 L 的符号和量级：G 低频增益接近 1 时，L 取 0.1~0.5 比较常见；L 大于 2 很容易把高频噪声放大。

这个边界决定了很多翻车场景。某开发者把 ILC 直接套到一条每批次都变化的 S 形轨迹上，前 3 次误差确实降了，第 4 次开始反弹，最后怪模型“不收敛”。问题不在模型，而在轨迹不重复，上一批学到的控制输入对下一批没有复用价值。ILC 的隐含假设是：期望轨迹重复、系统动态在批次间变化不大、初始状态可重置。三个条件缺一个，就要回到反馈控制或者增益调度。资源包里的模型之所以能跑出收敛曲线，是因为它把这三件事固定住了：同一个 yd、同一个初始状态、同一套采样时间。先确认自己的场景满足这些条件，再打开模型，比一上来改 L 更省时间。

2.2 资源包里的三类模型：P 型、PD 型与开闭环结构

P 型是入门首选，更新律只依赖误差本身，结构简单，对相位不敏感。它的缺点是收敛慢，遇到系统相位滞后较大时，L 只能往小取，迭代次数会拉长。PD 型在误差之外再加误差微分，相当于给更新律一个超前相位，能改善收敛速度，但微分项对噪声和采样抖动很敏感。实际用的时候，微分不是对原始误差直接差分，常见做法是先对误差做低通，再差分，或者用带滤波的微分器。开闭环结构则是在 ILC 更新之外保留一个反馈控制器，u_{k+1}=u_k+L e_k+K_fb。它适合第一次迭代误差很大、纯 ILC 前几批控制输入太激进的情况，反馈项负责兜底，ILC 项负责逐批消掉重复性误差。

三类模型对应三种调试顺序。我一般会先跑 P 型，把 u0 置零，看误差范数是不是单调下降；如果下降太慢，再把 L 从 0.1 往上加，找到不发散的边界；边界找到后，再换 PD 型看能不能在同样 L 下把收敛速度提一截。开闭环模型放在最后，因为反馈增益和 ILC 增益会互相影响，两个参数一起调容易把问题搅在一起。资源包里如果同时给了这三类结构，不要一上来就跑最复杂的那个，先把 P 型的收敛曲线跑出来，后面才有对照基准。

2.3 用 MATLAB 脚本把模型参数外置：一次改参、批量跑批次

直接在 Simulink 模型里双击模块改参数，跑两三次还能记住，跑到二十次就很容易漏改。更稳的做法是把 Ts、T、yd、L、N 这些变量统一放到初始化脚本里，模型只引用变量名。下面这段脚本可以直接放在解压后的工作路径下，先跑它，再打开模型。

% ilc_params.m Ts = 0.001; % 采样周期，单位 s T = 2.0; % 单批仿真时长，单位 s t = 0:Ts:T; % 批内时间向量 yd = sin(2*pi*0.5*t); % 期望轨迹，重复周期 2 s L = 0.35; % P 型学习增益，先小后大 N = 30; % 迭代次数 u0 = zeros(size(t)); % 初始控制输入，第一次迭代从零开始

这段脚本的关键不是公式，而是变量名要和模型里的 From Workspace、To Workspace 对齐。yd是行向量，模型里 From Workspace 的数据格式要设成与时间无关的数组，或者用带时间列的矩阵；u0长度要和t一致，否则第一次sim就会报维度不匹配。L先取 0.35 是一个保守起点，不是最优值。N=30足够看出误差范数有没有进入平台期，如果 30 次还在明显下降，再加到 50 次，不要一次设 200 次，否则单次调试时间太长。把参数外置以后，批量扫参只需要改脚本里的L，不用动模型，这也是后面做收敛性验证的基础。

3. 跑通第一个 ILC 仿真：三个信号路由决定收敛曲线真假

3.1 解压后的文件怎么认：.slx、.m 与数据字典

解压后先不要双击 .slx 就开跑。先看根目录有没有 .m 初始化脚本，里面通常是 Ts、T、yd、L 这些变量；再看 .slx 模型里有没有 From Workspace、To Workspace、MATLAB Function 这三类模块。From Workspace 负责把u_k和yd送进模型，To Workspace 负责把输出y和误差e送回 base workspace，MATLAB Function 负责迭代更新。数据字典或者 .mat 文件一般存的是期望轨迹和上一次迭代结果，如果模型引用了 .mat 里的变量，要先load再sim。

路径问题比想象中常见。压缩包解压到带中文或空格的目录，addpath有时会把路径截断；模型里如果用了相对路径引用 .mat，双击打开时当前文件夹不对，就会报变量不存在。稳妥的做法是先把整个目录放到纯英文路径下，再用脚本把子目录一次性加进来。

% 在解压后的根目录执行 addpath(genpath(pwd)); % 把当前目录及子目录加入搜索路径 which ilc_params % 确认初始化脚本可见 ilc_params; % 把 Ts、T、yd、L 等变量送进 base workspace

genpath会把所有子目录加进来，适合资源包里模型和脚本分目录存放的情况。which是确认脚本真的在路径上，而不是在另一个同名目录里。ilc_params执行后，用whos看一眼yd、u0、L的维度和类型，别让一个列向量混进行向量里，后面误差相减会得到一个矩阵而不是向量。

3.2 用 sim 命令驱动单次迭代：To Workspace 与误差对齐

第一次跑不要直接上循环，先手动跑一次单批仿真，确认模型输出能拿到、维度对得上。下面这段代码用sim命令驱动模型，模型名按实际 .slx 文件名改，To Workspace 的变量名按模型里实际设置改。

model = 'ilc_p_type'; % 按实际模型文件名修改 load_system(model); % 加载模型但不打开界面 assignin('base','yd',yd); % 期望轨迹送入 base workspace assignin('base','u_k',u0); % 第一次迭代的控制输入 set_param(model,'StopTime',num2str(T)); simOut = sim(model,'ReturnWorkspaceOutputs','on'); y = simOut.get('y'); % 变量名要和 To Workspace 一致 e = yd(:) - y(:); % 统一成列向量再相减

load_system比open_system适合脚本批量跑，不会每次弹模型窗口。ReturnWorkspaceOutputs打开后，simOut.get('y')才能拿到 To Workspace 写出的变量；如果模型里 To Workspace 的变量名不是y，这里要改成实际名字。yd(:)和y(:)是为了避免行向量、列向量混用导致e变成矩阵。实际模型输出可能比yd多一个采样点，sim在 StopTime 处会多算一步，这时候不要直接resample，先看length(y)和length(yd)差多少，差一个点就截断到相同长度，差很多就是采样时间设置不一致。误差对齐这一步没做对，后面画出来的收敛曲线就是假的：看起来在收敛，其实是两条时间轴错位后相减出来的低频包络。

提示：如果 To Workspace 的 Save format 选的是 Structure with time，y会是结构体，需要用y.signals.values取数据；选 Array 则直接是数组。两种格式不要混着用。

3.3 画收敛曲线：用误差范数判断第几次迭代开始“贴轨迹”

单次跑通后，把迭代循环补上。下面这段代码把每次迭代的误差存进E，把下一次控制输入存进U，最后用 RMS 误差范数画半对数曲线。

U = zeros(N+1, numel(t)); E = zeros(N, numel(t)); U(1,:) = u0; for k = 1:N assignin('base','u_k',U(k,:)); simOut = sim(model,'ReturnWorkspaceOutputs','on'); y = simOut.get('y'); y = y(:).'; n = min(numel(y), numel(yd)); e = yd(1:n) - y(1:n); E(k,1:n) = e; U(k+1,1:n) = U(k,1:n) + L * e; end err_norm = sqrt(mean(E.^2,2)); figure; semilogy(1:N, err_norm, 'o-'); xlabel('迭代次数 k'); ylabel('RMS 跟踪误差'); grid on;

U存 N+1 行，因为第 N 次迭代后还要算出第 N+1 次的控制输入；E存 N 行，对应每次迭代的误差。每次sim前用assignin把当前控制输入送进 base workspace，模型里的 From Workspace 读的就是这个变量。min截断是为了防止模型输出多一个点导致维度不一致，但截断之后要确认时间轴仍然对齐，不能一个从 0 开始、一个从 Ts 开始。err_norm用 RMS 而不是最大误差，是因为最大误差容易被单个尖峰带偏，RMS 更能看出整体收敛趋势。半对数坐标下，如果曲线在前几次快速下降、后面走平，说明 L 和迭代次数基本匹配；如果曲线下降后又翘起来，先别急着加迭代次数，那通常是发散前兆，回到第 4 章检查增益和滤波。

4. 参数整定：学习增益 L 的上限怎么从收敛条件反推

4.1 学习增益 L 不是越大越好：从收敛条件反推上限

P 型 ILC 的收敛条件可以粗略理解成：每次迭代后误差被乘以一个小于 1 的因子。对于低频主导的系统，如果从控制输入到输出的低频增益接近 1，L 取 0.1~0.5 通常能收敛；L 接近 1 时收敛很快，但对相位滞后和噪声更敏感；L 大于 1 时，很多模型会在第 3 到第 5 次迭代后开始振荡。这不是精确判据，但足够用来定扫参范围。更稳妥的做法是先跑一个小增益，确认误差范数单调下降，再逐步加大，记录第一次出现非单调的 L 值，把工作点放在它的一半左右。

L_list = [0.05 0.10 0.20 0.35 0.50 0.80]; result = zeros(numel(L_list), N); for i = 1:numel(L_list) L = L_list(i); U = zeros(N+1, numel(t)); E = zeros(N, numel(t)); U(1,:) = u0; for k = 1:N assignin('base','u_k',U(k,:)); simOut = sim(model,'ReturnWorkspaceOutputs','on'); y = simOut.get('y'); y = y(:).'; n = min(numel(y), numel(yd)); e = yd(1:n) - y(1:n); E(k,1:n) = e; U(k+1,1:n) = U(k,1:n) + L * e; end result(i,:) = sqrt(mean(E.^2,2)); end figure; semilogy(1:N, result.'); legend(string(L_list), 'Location','southwest'); xlabel('迭代次数 k'); ylabel('RMS 误差'); grid on;

这段扫参脚本把每个 L 的误差范数存成一行，最后一张图能直接看出哪个增益在前 10 次下降最快、哪个在第 6 次以后翘头。L_list不要设得太密，先粗扫 5 到 6 个点，找到大致边界后再在边界附近细扫。每次内层循环都重新初始化U和E，否则上一次 L 的结果会污染下一次。扫参时间主要花在sim上，模型越复杂越要控制N，先用 15 次粗筛，再对候选 L 跑 50 次确认。

4.2 低通滤波与 Q 滤波器：抑制高频抖动的常见做法

误差里混进高频噪声时，P 型更新会把噪声逐批放大，表现是误差范数前几次下降，后面开始出现毛刺，控制输入u_k越来越抖。常见做法是在更新前对误差做低通，相当于给迭代映射加一个 Q 滤波器。下面是一阶低通的离线写法，适合在 MATLAB 脚本里批量处理。

alpha = 0.2; % 0~1，越小滤波越强 e_f = filter(alpha, [1, -(1-alpha)], e); % 一阶低通 U(k+1,1:n) = U(k,1:n) + L * e_f;

filter的传递函数是 alpha/(1-(1-alpha)z^-1)，alpha=0.2时截止频率较低，能压住高频毛刺，但会带来相位滞后。ILC 对相位很敏感，滤波太强会让收敛速度变慢，甚至把原本能收敛的增益拖到发散。所以加滤波以后要重新扫一遍 L，不能沿用滤波前的增益。离线批量可以用filtfilt做零相位滤波，避免相位滞后，但filtfilt需要整段误差，实时迭代里用不了；Simulink 模型里对应的是 Discrete Filter 模块，初始条件要设成和上一批末尾一致，否则每批开头会有跳变。

4.3 迭代次数与停止准则：别把发散当“还没收敛”

迭代次数不是越多越好。误差范数进入平台期后再跑，除了增加仿真时间，没有太多收益；如果误差范数开始上升，继续跑只会让控制输入越走越偏。一个简单的停止准则可以写成：连续 3 次迭代的误差范数比值小于 0.95，认为收敛；连续 2 次比值大于 1.05，认为发散，立即停止并回看 L 和滤波。

ratio = err_norm(2:end) ./ err_norm(1:end-1); converged = false; diverged = false; for k = 1:numel(ratio)-2 if all(ratio(k:k+2) < 0.95) converged = true; break; end if all(ratio(k:k+1) > 1.05) diverged = true; break; end end

ratio是相邻两次误差范数的比值，小于 1 表示在下降。连续 3 次小于 0.95 是一个偏保守的收敛判据，适合先确认趋势；如果 L 很小，收敛比可能一直在 0.98 附近，这时候不要把“没到 0.95”当成失败，可以放宽到 0.99 或者直接看误差范数是否低于设定阈值。反过来，连续 2 次大于 1.05 基本可以判定发散，不要再加迭代次数。血泪经验是：很多人看到第 5 次误差翘头，第一反应是“还没收敛，再跑 50 次”，结果控制输入饱和，模型报积分错误，回头还得从第 1 次重跑。

5. 避坑与排查：ILC 仿真里最容易翻车的五个细节

5.1 现象：第一次迭代误差就爆掉

第一次sim出来，Scope 里的输出直接打到很大的量级，误差范数比开环还大。常见原因有三个：u0不是零而是上一批的残留值，和当前初始状态不匹配；学习增益的符号写反了，更新律变成u_k - L e_k；模型里积分器或传递函数的初始条件不是零，第一批响应本身就有跳变。解决顺序是先把u0置零、L降到 0.05，跑一次开环，确认输出对输入有正常响应；再检查更新律的加减号；最后看模型里有没有非零初始状态。不要一上来就怀疑模型文件损坏，多数情况是初始条件和符号问题。

5.2 现象：误差曲线每次迭代都平移

每次迭代的误差形状几乎一样，但在时间轴上左右错开，RMS 范数降不下去。原因通常是 To Workspace 的采样时间与yd的时间向量不一致，或者模型里有传输延迟、零阶保持器带来的固定滞后没有补偿。解决方法是不要自己造时间向量，直接用模型输出里的时间轴和yd对齐；如果存在固定延迟，在误差相减前把yd延迟相同拍数，或者在 Simulink 里加延迟补偿模块。注意sim在 StopTime 处可能多输出一个点，截断时要从同一端截，不能一个掐头一个去尾。

5.3 现象：前几次收敛后突然发散

前 5 次误差范数下降得很漂亮，第 6 次开始抬头，控制输入出现高频抖动。最常见的原因是 L 取得太接近稳定边界，前几批低频误差占主导，看起来收敛；高频分量累积到一定程度后开始放大。另一个原因是执行器饱和，控制输入被限幅后，ILC 仍然按未限幅的误差继续积分，导致 windup。解决方法是加一阶低通或者 Q 滤波器，把 L 降到原来的一半，再检查饱和模块的限幅值是否合理。不要因为前几次曲线好看就继续加大 L，那个“好看”往往只是高频还没长出来。

5.4 现象：Scope 显示收敛但数据里没有

Scope 上肉眼看着输出已经贴住期望轨迹，但E矩阵算出来的误差范数没降，甚至变大。原因可能是 To Workspace 的Limit data points被打开，只存了最后若干个点；或者模型里有两个同名变量，simOut.get拿到的是旧数据；也可能是 Scope 的显示采样和实际数据采样不是同一套。解决方法是关掉数据点限制，把 To Workspace 的变量名改得足够独特，每次sim前清掉临时变量，跑完用whos和size确认拿到的数组维度。Scope 只能用来快速看一眼波形，收敛判断必须回到误差范数。

5.5 现象：换轨迹后完全失效

同一套模型，换一条幅值或频率不同的期望轨迹，误差不降反升。ILC 只对重复轨迹有效，新轨迹意味着上一批学到的u_k没有复用价值；如果还沿用旧轨迹的u0，第一批控制输入就是错的。另一个容易忽略的点是初始状态没有重置，上一批结束时系统停在一个非零状态，下一批从那里开始，迭代之间就不满足“同初始条件”的前提。解决方法是新轨迹从u0=0重新开始，确认模型里所有积分器和延迟模块在每批仿真前都复位；如果轨迹只是参数变化，可以把轨迹参数也纳入初始化脚本，每次换参数后重新跑前 3 次低增益迭代看方向。

6. 进阶验证：把 ILC 从“能跑”推到“可信”的三个检查

6.1 用单调收敛性检查代替肉眼观察

误差曲线在半对数坐标下看着下降，不代表迭代映射真的在收敛。更硬的检查是看相邻误差范数的比值是否稳定小于 1。下面这段代码在每次迭代后直接打印比值，连续出现大于 1 的段就停下来。

ratio = err_norm(2:end) ./ err_norm(1:end-1); bad = find(ratio > 1.02, 1, 'first'); if ~isempty(bad) fprintf('第 %d 次迭代后比值 %.3f，检查 L 或饱和\n', bad, ratio(bad)); end

1.02是留给数值波动的容差，不是收敛判据。真正要看的是比值序列有没有持续下降的趋势，而不是单次小于 1。如果比值在 0.98 附近来回跳，说明 L 偏小或者误差里噪声占比高，收敛速度已经到底了。

6.2 换初始误差与扰动，看鲁棒边界

收敛曲线只能证明这一组初始条件下能跑。更可信的验证是给初始状态加一点偏移，或者在控制输入上叠一个幅值 1% 的扰动，再跑同样的迭代次数。如果误差范数仍然下降，只是平台略高，说明方法对这批扰动不敏感；如果扰动后直接发散，说明 L 没有余量，工作点太靠近边界。我一般会做三组：原条件、初始状态加 5% 偏移、控制输入加 1% 扰动，三组都过再谈参数可用。

6.3 把迭代过程录成表格，定位第一次发散

不要只存最后一条误差曲线。把每次的err_norm、最大绝对误差、控制输入峰值存成表格，发散时直接看哪一行开始异常。控制输入峰值突然跳变，通常是饱和或增益过大；最大误差和 RMS 误差同时上升，通常是相位错位；RMS 上升但最大误差不变，通常是高频噪声累积。这个表比 Scope 截图有用得多。

从那以后我每次跑 ILC 都先跑 3 次低增益看方向，再扫参，不再一上来就调大 L；模型里的 To Workspace 变量名也固定加前缀，避免和脚本变量撞车。希望帮到你。

本文还有配套的精品资源，点击获取