115、迭代学习控制（ILC）：原理与应用

迭代学习控制（ILC）：原理与应用

从一次让人抓狂的伺服抖动说起

几年前调试一台高速贴片机，Z轴每次下降取料后回位，位置误差总在±0.02mm左右波动。PID调了三天，增益从低到高试了个遍，响应快了震荡，慢了滞后，始终压不住那个周期性重复的误差。后来老工程师路过看了一眼，说：“你试试ILC，这活儿是重复运动，别跟PID死磕。”当时我还不知道ILC是什么，但那次之后，我彻底理解了什么叫“针对重复任务的降维打击”。

为什么PID搞不定重复运动？

PID的本质是“当前误差驱动”，它不知道上一周期发生了什么。对于贴片机、焊接机器人、3D打印机这类重复执行相同轨迹的设备，每次运动误差模式几乎一致——比如某个位置因为摩擦力突变总是过冲。PID每次都要重新“学习”，永远在追赶，永远有稳态误差。

ILC的思路完全不同：既然你每次走的路都一样，那我记住上次的误差，下次提前修正。就像你每天走同一条路，第一次踩到坑摔了，第二次就会绕开。ILC就是让控制器学会“绕坑”。

ILC的核心思想：用历史数据修正未来

ILC的数学表达其实很简洁，但理解它的物理意义更重要。假设第k次运行时，系统输出为y_k(t)，期望轨迹为y_d(t)，误差e_k(t)=y_d(t)-y_k(t)。那么第k+1次的输入u_{k+1}(t)可以这样更新：

u_{k+1}(t) = u_k(t) + L * e_k(t+Δ)

这里L是学习增益，Δ是相位补偿。别被公式吓到，实际调试时L就是个系数，通常0.1到0.5之间，Δ用来对齐