117、ILC：收敛性分析与鲁棒性

117、ILC：收敛性分析与鲁棒性从一次产线调试说起去年帮朋友调试一台高速点胶机，遇到了一个让人抓狂的问题。设备运行前100个周期，点胶位置误差从0.3mm逐渐收敛到0.02mm，一切看起来完美。但到了第150个周期左右，误差突然开始发散，到第200个周期时已经跑到0.5mm，直接把产品打废了。我盯着示波器上的误差曲线，脑子里蹦出的第一个念头是：ILC的收敛条件被破坏了。但奇怪的是，系统参数没变，参考轨迹没变，为什么收敛会突然反转？后来发现，问题出在温度漂移上——设备运行半小时后，电机绕组的电阻变化导致系统动态特性发生了缓慢偏移。而我的ILC学习律用的是固定增益，没有考虑这种时变特性。这个案例让我意识到，ILC的收敛性分析不能只看理想情况下的数学推导，必须把鲁棒性放在同等重要的位置。今天这篇笔记，就聊聊我在实际项目中踩过的这些坑。收敛性的数学本质：别被公式骗了ILC的收敛性分析，核心就一句话：学习增益的选择决定了误差是越跑越小还是越跑越大。但这句话背后藏着不少细节。先看最基础的一阶ILC更新律：u_{k+1}(t) = u_k(t) + L * e_k(t+1)这里L是学习增益，e_k(t+1)是第k次迭代时t+1时刻的误差。很多人以为只要L选得足够小就能保证收敛，这是典型的“纸上谈兵”思维。实际系统的收敛条件是这样的：|1 - L * P(z)|