时滞作为工业生产过程中普遍存在的一种现象,是由于信息的传递、测量等因素所导致的时间延迟而产生的。时滞特性常常会对控制系统的稳定性及系统性能指标产生严重影响,所以研究时滞系统的控制问题具有重要的理论意义和应用价值。在实际工业过程控制中,很多复杂工业过程都具有某种可重复的特性。迭代学习控制就是根据工业对象的这种特性,通过引进学习机制,不断地积累被控对象的知识,在线完成控制器的设计和改进,即把在线的学习、在线的控制与控制系统性能改善的功能综合在一个算法里,通过工业过程的不断重复加以实现。它在解决由于对象存在非线性或建模不良造成的不确定性问题方面具有得天独厚的优越性,在学习过程中不断弥补缺乏的先验知识,进而使系统性能得到逐步改善。因此将迭代学习控制作为解决时滞系统控制问题的方法是可行的。本文针对一类非线性时滞系统,提出了一种新的利用了系统超前输出误差的超前PD型迭代学习算法,该算法考虑了迭代初态与期望初态相同的情况、迭代初始状态固定以及迭代初态任意三类问题;分别针对这三类不同情况讨论了超前PD型迭代学习算法的收敛性,从理论上建立了保证闭环系统收敛的充分条件。仿真结果表明:所提出的超前PD型迭代学习算法不仅能够适于解决具有初始迭代偏差的问题,而且具有较快的收敛速度,从而验证了算法的有效性。