简介：ILC_Simulink.rar 是一份面向控制理论学习者与工程实践者的迭代学习控制仿真资料，围绕 Simulink 环境下的传递函数对象建模、ILC 算法搭建与无静差跟踪验证展开，适合课程实验、算法入门及控制系统性能对比等场景。压缩包共 14 个文件，约 66KB，以 mat 数据、xml 配置、slx/slxc 模型及 m 脚本等为主，覆盖模型主体、仿真状态与辅助运行文件，结构紧凑，便于直接打开复现与二次调整。已有 3983 人学习下载，在 ILC 入门与 Simulink 实践场景中具有一定参考热度。读者可从中获得可运行的 ILC 仿真模型、误差反馈与更新规则示例，以及参数调整、输出曲线分析和结果验证的切入点，进而理解迭代学习控制从对象建模、控制输入更新到无静差跟踪的完整流程。

1. 从一条“越跑越准”的轨迹说起：这份 Simulink ILC 工程到底解决什么问题

一条做往复定位的伺服轴，第一次跑完整条轨迹，末端偏差 0.8 mm；参数一个字没改，跑到第十次，偏差掉到 0.05 mm。第一次见这个现象的人多半会怀疑是测量噪声或者数据回放出了错，但只要你看过迭代学习控制的工作方式，就知道这是它在正常工作——误差不是被“调参调没的”，而是被一次次重复作业“学没的”。

ILC_Simulink.rar 里是一个完整的 Simulink ILC 仿真工程：被控对象模型、学习律模块、迭代调度脚本、误差收敛绘图四块都有，解压、改两行参数、跑一遍，就能看到误差随迭代次数下降的曲线。它适合两类人：正在做重复轨迹跟踪（伺服往复、点胶、机械臂末端走固定路径）的开发者，以及刚看完 ILC 公式、手里缺一个能跑起来的对照例子的同学。

2. 工程结构拆解：从 .slx 模型到 .m 脚本的四层分工

拿到一个仿真压缩包，最怕的是打开一看十几个文件互相调用，不知道该从哪个入手。这套工程的结构其实很朴素，按“参数—模型—调度—后处理”切成四层，每一层只干一件事。先把这条主干理清楚，后面看代码就不会迷路。

2.1 解压之后的文件清单与职责边界

解压出来通常是这样一个布局（不同版本的文件名可能略有出入，但角色是对应的）：

这里有个容易忽略的设计取向：参数不写死在模型里，全部收进ilc_params.m。仿真模型最常见的问题就是参数散落在各个 Gain 块、Constant 块、Workspace 变量里，改一个采样周期要翻五六个地方，翻漏一处就是一次血泪经验。集中管理之后，模型里所有模块只引用变量名，脚本一跑，工作区就有了值。

% ilc_params.m —— 所有可调参数在这里定义，模型只引用变量名 Ts = 0.01; % 采样周期(s)，必须和模型内所有离散模块一致 T_end = 5.0; % 单次试验时长(s) N = round(T_end/Ts); % 单次试验的采样点数，也是误差序列的长度 K_iter = 30; % 迭代次数上限 gamma_p = 0.6; % 比例型学习增益，控制收敛速度 gamma_d = 0.02; % 微分型学习增益，补相位滞后 q_alpha = 0.85; % Q 滤波器系数，0~1，越接近 1 越保守 u0 = zeros(N,1); % 第 1 次迭代的控制序列，通常取零

Ts和N的关系要先算明白：N不是随便填的，它决定了误差序列的长度，也决定了学习律里差分运算的边界处理方式。gamma_p的物理含义是“上一轮误差有多大比例被写进下一轮输入”，量纲上要跟对象的直流增益对上，所以换对象之后这个值基本要重调，不能照抄。q_alpha是我建议新手一开始就加上的，它把每轮的更新量做一个一阶低通，牺牲一点收敛速度换稳定性，比后面看着曲线发散再回头加要省事得多。

2.2 模型分层：被控对象、学习律、迭代开关三段式

打开ilc_plant.slx，信号流大致是三条并行支路：

• 参考支路：Repeating Sequence或From Workspace产生期望轨迹y_d(t)，长度正好N。
• 对象支路：From Workspace读入当前代的控制序列u_in，送进Transfer Fcn（或离散State-Space）得到实际输出y_k。
• 误差支路：y_d - y_k得到e_k，一路进To Workspace记录，一路进 MATLAB Function 块算下一代输入。

关键点在于：这条回路是开环跑的。也就是说，单次试验里对象只吃u_in这一串开环输入，没有反馈控制器参与；学习律不在试验内部生效，而是跨试验生效。很多刚接触 ILC 的人会把学习律接成反馈环里的一个增益，跑出来的曲线看着像那么回事，其实算法性质已经完全变了——那不是迭代学习，那是加了个积分器。

学习律模块在模型里通常做成一个MATLAB Function块，输入e_k、u_k，输出u_next，块内用persistent变量跨调用保存上一代数据。这样做的理由是工程化的：等到要把算法搬到实机，这段逻辑可以几乎原样翻译成 C，不用重新组织数据流。如果只图仿真快，也可以把学习律整个放在 M 脚本里离线算，但那样模型里就只剩对象，日后迁移会多一道搬运工序。

另外模型里一般会有一个手动开关（Constant 块加 Switch），用来选“开学习”还是“只跑一次基线”。别小看这个开关，调参阶段你会反复在“看看不加学习的原始跟踪误差”和“看看学了几代之后的效果”之间来回切。

2.3 脚本分层：调度与后处理必须分开

ilc_main.m只做调度，不做计算，也不画图。这条纪律听起来像教条，实际是省时间的：调参的时候你会反复跑主循环，如果主循环里还嵌着画图，每跑一次弹三个窗口，几十次迭代下来窗口能堆满屏幕。把绘图拆到plot_convergence.m，等主循环跑完、e_history已经在工作区里了，再单独调一次，想换视角就再调一次，不用重跑仿真。

同理，单次试验的封装也建议单独抽一个函数，比如run_one_trial(u_in)，内部负责把输入塞进工作区、调sim、把输出取出来对齐长度。主循环里只出现“算误差—存历史—判收敛—更新输入”四件事，读代码的人一眼就能看出算法骨架。这套分层在只有几十行的时候显得啰嗦，等你要加扰动、加噪声、加多对象对比的时候，就会庆幸当初拆开了。

3. 核心算法拆解：PD 型迭代学习律怎么在 Simulink 里落地

结构清楚了，接下来是真正决定收敛与否的部分。ILC 的公式在论文里往往一行写完，落到代码里有三处必须做决定：更新式用 P 型还是 PD 型、Q 滤波器放在哪、迭代怎么驱动。这三处选错，曲线要么不降，要么降着降着飞出去。

3.1 离散更新式与三个必须交代的初值条件

工程里用的最常见形式是带 Q 滤波的 PD 型学习律，写成离散递推就是：

u_{k+1}(n) = Q · u_k(n) + (1 - Q) · [ u_k(n) + γp · e_k(n) + γd · (e_k(n) - e_k(n-1)) ]

其中k是迭代次数，n是单次试验内的时间步。把它拆开看，方括号里是“上一代输入 + 本代误差的比例项和微分项”，外面套一层Q与上一代输入做凸组合，本质是一个一阶低通，把高频的更新量压下去。

三个初值条件必须显式交代，否则第一代就跑不出合理结果。第一，u_0(n)取什么——常见做法是全零，或者先跑一次 PID 把稳态输出录下来当u_0，后者能让第一代误差就小很多，收敛曲线更好看，但会掩盖算法本身的收敛速度，做对比实验时建议还是从零开始。第二，e_k(0)的差分怎么算——n=1时没有n-1，用前向差分补，或者干脆令de(1)=0，两种都行，但不能让索引越界。第三，Q的取值范围，工程上一般落在 0.7 到 0.95，取 1 等于完全不更新，取 0 等于退化成纯 P 型，抗噪能力直线下降。

还有一条容易被跳过：参考轨迹的首尾要平滑。如果y_d在t=0处有一个阶跃，第一代的e(1)会非常大，学习律会把这个冲击原封不动学进u序列，后面几代都在跟这个冲击较劲。常见的处理是把参考做成 S 形起步，或者至少在首尾各加几十毫秒的斜坡。

3.2 MATLAB Function 块里的学习律实现

模型里那个学习律块，展开之后的代码大致是这样：

function u_next = ilc_law(e_k, u_k, gamma_p, gamma_d, q_alpha) %#codegen % 输入： % e_k 当前代跟踪误差序列，长度 N 的列向量 % u_k 当前代施加的控制序列，长度 N 的列向量 % gamma_p 比例学习增益 % gamma_d 微分学习增益 % q_alpha Q 滤波器系数 (0,1) % 输出： % u_next 下一代要施加的控制序列 N = numel(e_k); u_next = zeros(N,1); % 误差一阶差分，首点用前向差分补，避免索引越界 de = zeros(N,1); de(1) = e_k(2) - e_k(1); de(2:N) = e_k(2:N) - e_k(1:N-1); for n = 1:N % 未滤波的更新量：上一代输入 + PD 修正 u_raw = u_k(n) + gamma_p * e_k(n) + gamma_d * de(n); % Q 滤波：与上一代输入做凸组合，抑制高频更新 u_next(n) = q_alpha * u_k(n) + (1 - q_alpha) * u_raw; end end

逐段说。%#codegen这行不是装饰，加了它之后 MATLAB 编辑器会实时提示哪些写法不支持代码生成，比如动态扩容数组、元胞数组、eval，这些都是实机移植时的拦路虎，在仿真阶段就规避掉，后面省一大截时间。

de的边界处理用了两段赋值而不是diff，原因是diff输出长度是N-1，跟u_next对不齐，后面还要补一个元素，容易在多处修改时漏掉。显式写出来虽然多两行，但长度关系一目了然。

循环体内两行对应公式里的“先算原始更新量，再做凸组合”。注意q_alpha * u_k(n)用的是上一代输入而不是u_raw，这是标准的 Q 滤波写法；写成q_alpha * u_raw就变成了对更新量的低通，性质不一样，收敛速度会明显变慢。这个细节我第一次写的时候搞反过，曲线能收敛但慢得离谱，查了两天才发现是一个下标的问题。

参数的影响可以这样估：gamma_p大约取对象直流增益倒数的 0.3 到 0.8 倍起步，太大直接发散，太小二十代都看不出变化。gamma_d一般比gamma_p小一到两个数量级，它的作用是补偿对象相位滞后，对象阶次越高越需要，但同时会把测量噪声放大，所以实机上gamma_d通常比仿真里更保守。

3.3 主循环：用 for + sim 驱动迭代，误差序列怎么存

迭代的驱动力在脚本里，不在模型里。核心就是一个 for 循环，每转一圈做一次完整试验：

% ilc_main.m —— 迭代调度主循环 ilc_params; % 载入参数，工作区得到 Ts/N/K_iter 等 e_history = zeros(N, K_iter); % 每列存一代误差，方便后面按列取范数 u_history = zeros(N, K_iter); % 每列存一代控制输入 u_in = u0; % 第 1 代输入 iter_used = K_iter; % 实际用掉的迭代次数，提前收敛时更新 for iter = 1:K_iter assignin('base', 'u_in', u_in); % 塞进基础工作区供模型读取 out = sim('ilc_plant', 'StopTime', num2str(T_end)); e_k = out.e_log(:); % 取误差序列并保证是列向量 e_k = e_k(1:N); % 截断到 N 点，防止求解器多算一步 e_history(:, iter) = e_k; u_history(:, iter) = u_in; err_norm = norm(e_k, 2); fprintf('iter %02d ||e||_2 = %.4e\n', iter, err_norm); if err_norm < 1e-3 % 收敛判据，达标就提前退出 iter_used = iter; break; end u_in = ilc_law(e_k, u_in, gamma_p, gamma_d, q_alpha); % 算下一代输入 end

几个参数值得说明。assignin('base', ...)把u_in写进基础工作区，是因为模型里的From Workspace块默认就是从 base 读变量；如果模型配置成从模型工作区读，这里要改成set_param加Simulink.SimulationInput，否则就是那个经典翻车现场——跑三十次，曲线一动不动。e_k(1:N)的截断也不能省，变步长求解器在末点可能多输出一个采样，长度变成N+1，直接往e_history里塞会报维度不匹配。

norm(e_k, 2)作为收敛判据是最省事的做法，但要注意它跟误差的绝对量纲挂钩，换了对象、换了单位，阈值就得跟着改。更稳妥的写法是相对判据，用当前代范数除第一代范数，落到 1e-2 以下就算收敛，换个对象也不用重调阈值。

4. 跑起来：从解压到第一条收敛曲线的完整步骤

代码看懂了，还得真跑一遍才算数。这一节按实际操作顺序走，每一步都写清楚失败时该看哪里。

4.1 环境准备与路径设置

需要 MATLAB 和 Simulink，版本上建议 R2018b 及以上，因为再早的版本里MATLAB Function块对persistent的支持和代码生成报告不太一样，容易在小地方卡住。如果模型里用了Transfer Fcn的离散化或者lsim做对比验证，还需要 Control System Toolbox，缺了这个工具箱打开模型会提示模块未授权，不会报错但仿真结果全是零。

解压路径这一条是纯经验：全英文、无空格、层级别太深。放在桌面某个中文目录下，sim有时候能跑，但模型引用和数据存盘会出各种玄学问题，排查起来很浪费时间。解压之后先cd到该目录，用pwd确认一下当前路径，再确认.slx和几个.m在同一层——不同层的话，sim('ilc_plant')找不到模型，报错信息是“cannot find model”，看着像模型损坏，其实是路径问题。

第一件事不是跑主循环，是跑一次基线：

% 基线检查：不加学习，先看对象本身的跟踪误差有多大 ilc_params; assignin('base', 'u_in', u0); out = sim('ilc_plant', 'StopTime', num2str(T_end)); plot(out.tout, out.y_log, 'b', out.tout, out.yd_log, 'r--'); legend('实际输出 y', '期望轨迹 y_d');

如果这条基线的红蓝两条线完全重合，说明参考轨迹没接进去，或者对象根本没被驱动，先别往下跑迭代，先修模型。

4.2 参数整定：采样周期、迭代次数、学习增益、Q 滤波器

四个参数有先后顺序，别一起乱调。先定Ts，它必须和模型里所有离散模块的采样时间一致，包括对象的离散化模块、参考轨迹模块、To Workspace的采样设置。检查方法是在模型里搜一遍采样时间字段，凡是填了具体数字的都要对得上，填-1的继承上游，问题不大。

Ts定的依据是对象的主导时间常数，一般取它的 1/20 到 1/50。取得太大，学习律在时间上“看不清”对象的动态，微分项基本失效；取得太小，单次试验的N变大，迭代一次慢，而且噪声占比上升。

然后定K_iter，先给 30 跑一轮看趋势，不要一上来就 200。曲线在前 10 代就明显下降的话，后面只是精修；前 10 代纹丝不动，说明不是迭代次数不够，是增益或者对象接口有问题。

gamma_p从 0.1 开始往上加，每次翻倍，看曲线的下降速度。合适的值表现为误差范数单调下降、五代之内下降一个数量级左右。加到某个值之后曲线开始出现“先降后升”，说明到边界了，退回上一档。gamma_d最后加，从 0.005 起步，它的收益通常不如gamma_p明显，但对象有纯滞后时它是必需的。

q_alpha放在最后微调，0.8 到 0.9 之间试两三个值就够。它的作用在曲线上表现为“末段的抖动变小，但收敛平台抬高一点”，是个明确的取舍。

4.3 看结果：收敛曲线与三个判断依据

主循环跑完，单独调plot_convergence：

% plot_convergence.m —— 收敛曲线与单次跟踪对比 err_norm = vecnorm(e_history(:, 1:iter_used), 2, 1); % 按列求 2-范数 figure; semilogy(1:iter_used, err_norm, 'o-', 'LineWidth', 1.2); grid on; xlabel('迭代次数 k'); ylabel('||e_k||_2'); title('ILC 误差收敛曲线'); figure; % 第一代与最后一代对比 plot(e_history(:,1), 'Color', [0.6 0.6 0.6]); hold on; plot(e_history(:,iter_used), 'b', 'LineWidth', 1.2); grid on; xlabel('采样点 n'); ylabel('跟踪误差'); legend('第 1 代', sprintf('第 %d 代', iter_used));

用semilogy而不是plot，是因为 ILC 的收敛通常是指数型的，线性坐标下前三代就把整个纵轴占满，后面二十代挤成一条平线，看不出细节。

判读有三条。误差范数单调下降、斜率逐渐变缓，是健康状态。先降后升、甚至在中途翘起来，是增益过大或者缺少 Q 滤波，回去降gamma_p。降到某个值之后完全躺平，下降幅度小于每一代 1%，那不是“收敛了”，是碰到瓶颈了，原因多半是采样周期与对象动态不匹配，或者存在未建模的时滞，得回到 4.2 节重新看Ts。

5. 避坑与排查：ILC 跑不出收敛的五种典型翻车

仿真类工程有个共同特点：出错的时候不报错，只是结果不对。下面五条是我在这类工程上反复遇到的，按“现象 → 原因 → 解决”写，遇到对应症状直接对号入座。

5.1 数值类问题：发散、停滞与抖振

第一条：控制序列逐代放大，几十代之后变成 Inf 或者 NaN。

原因是学习增益超过了稳定边界。ILC 的收敛条件本质上要求|1 - γp·P| < 1，P是对象的直流增益，γp超过2/P就发散，取到1/P附近收敛最快。很多人凭感觉给 0.6、0.8，碰上增益只有 0.5 的对象就直接越界了。

解决办法是先算P：给对象一个单位阶跃，看稳态输出值，那就是直流增益。gamma_p取其倒数的 0.5 倍起步，同时把q_alpha设到 0.9，先求稳再求快。已经发散过的记得清一次工作区，u_in里残留的 Inf 会污染下一轮。

第二条：误差范数降到某个值就不动了，曲线像被削平了头。

常见原因是 Q 滤波器系数给得太小。q_alpha小意味着更新量被强烈低通，高频段的误差修正不进去，范数就卡在一个平台上下不来。判断方法很简单：把q_alpha从 0.85 调到 0.95 再跑一轮，如果平台明显下降，就是这个原因。

另一个原因是参考轨迹里含高频成分，而学习律的gamma_d又不足以跟上。这时候调q_alpha没用，得回头简化参考轨迹，或者加长单次试验时间让动态充分展开。

第三条：末段误差抖动明显，范数曲线呈锯齿状。

gamma_d太大，把测量噪声或者数值微分噪声放大了。仿真里如果是理想无噪声环境还抖，多半是Ts相对对象动态取得太小，差分运算放大了数值误差。解决方向是把gamma_d减半，或者对误差序列先做一次滑动平均再送进学习律——后者会引入额外相位滞后，慎用，但对付纯数值噪声很有效。

5.2 工程类问题：迭代空转、路径与版本

第四条：跑了三十次，每一代误差完全一样，e_history每一列都相同。

这是最高频的翻车点，没有之一。原因是u_in更新了但模型没读到。可能是assignin写进了基础工作区，而From Workspace块配置的是从模型工作区读；也可能是模型里有persistent变量没清，还留着上一次运行的缓存。

排查顺序：先在工作区敲u_in(1:5)看值有没有变，再看模型里那个From Workspace块的变量名拼写是不是和assignin里的一致（多一个下划线都能让你查半天），最后在循环里加一句clear ilc_law或者把persistent改成显式传参。治本的做法是换Simulink.SimulationInput对象，把输入作为仿真输入显式传进去，不依赖工作区。

第五条：换台机器就报找不到模型，或者报路径含非法字符。

中文路径、空格、以及过深的目录层级都可能触发。表现出来是sim报“cannot find model”或者模型里的数据记录文件写不出来，但模型本身打开是正常的，很容易误判成文件损坏。解决就是换一个纯英文短路径，解压到D:\work\ilc\这种层级，重新cd过去再跑。

顺带一条版本相关的：低版本 MATLAB 打开高版本保存的.slx会提示“模型由更新版本创建”，强行打开后部分模块参数丢失，仿真能跑但结果不对。这种情况别硬修，找保存者导出成低版本，或者直接用对应版本环境。

6. 二次开发：把仿真工程改成能上实验台的版本

从仿真走到实机，改动集中在三个地方，我一般按下面的顺序推，每改一处都保留上一版可回滚的.m和.slx，这是吃过亏之后养成的习惯——控制序列这种东西，一旦被写坏了又没有存档，只能从头再来一遍。

第一处是换被控对象。把Transfer Fcn换成实测辨识出来的离散State-Space，或者直接换成一组实测的频响数据拟合结果。接口保持不变：输入一路u，输出一路y，长度N。换完之后第一件事不是跑 ILC，是再跑一次 4.1 节的基线，确认对象在开环下能被正确驱动，输出量纲和参考轨迹对得上。量纲不对是最隐蔽的错，误差序列看着在降，其实降的是个比例错误的量。

第二处是给学习律加频域整形。仿真里q_alpha一阶低通够用，实机上往往要做成零相位滤波，把L和Q分开设计：L负责在对象带宽内放大误差，Q负责在带宽外快速衰减。做法是把 3.2 节里那两行更新式改成对整段序列做一次filtfilt，注意这样就不能在MATLAB Function块里逐点算，得挪到脚本层，模型里只留对象。这个改动会破坏前面说的“算法可原样移植到 C”的优点，是个明确的取舍，做之前想清楚后面到底要不要上嵌入式。

第三处是相位对齐。实机有采样抖动、有传感器延时、有执行器死区，这些在仿真里都是零。表现出来是仿真收敛、实机发散，或者实机前几代收敛得很好，到第十代左右开始缓慢振荡。验证方法很土但有效：让实机跟着一段已知的正弦指令空跑，把输入输出录下来做互相关，看主峰偏了几个采样点，偏几个就在学习律里补几个采样点的超前。

最后说一个具体的技巧：把每一代的u_k单独存成u_k_%03d.mat，而不是只存在内存的u_history里。实机调试时最需要后悔药，某一代跑崩了，直接load上一代的u重放，比重新学二十代快得多。那条命令我在每个实机项目里都会写，save(sprintf('data/u_%03d.mat', iter), 'u_in')，一行的事，省下的是整晚的时间。

从那以后我每次动学习增益或者换对象之前，都会强制走一遍“基线—单代—十代—全量”这个流程，绝不跳步直接跑全量迭代，因为跳过的那一步里往往藏着真正的原因。希望帮到你。

本文还有配套的精品资源，点击获取