模型预测控制的缺点_变参考轨迹下的鲁棒迭代学习模型预测控制

迭代学习模型预测控制(Model Predictive Iterative Learning Control，MPILC)是针对间歇过程的先进控制方法。它能通过迭代高精度跟踪给定参考轨迹，并保证时域上的闭环稳定性。然而，现有的迭代学习模型预测控制算法大多基于线性/线性化系统，且没有考虑参考轨迹变化的情况。

迭代学习模型预测控制发展至今，仍存在一些亟待解决的问题：

1)已有的算法多针对线性定常系统，而实际对象通常具有复杂非线性，采用简单的操作点线性化方法会影响控制性能(延长学习过程，降低跟踪精度)；

2)已有的算法通常假设参考轨迹保持不变，但是实际中参考轨迹通常是通过上层优化得到，它会由于生产要求、外部环境等而发生变化，比如同一生产线可能需要生产不同规格的零部件;

3)MPILC算法需要考虑时域稳定性和迭代收敛性，在已有算法中，对同时满足这两点要求的研究较少。