根据山东省科技奖励办公室《关于开展2021年度山东省科学技术奖提名工作的通知》要求，由青岛科技大学、青岛大学、河南理工大学等单位共同完成的“数据驱动的广义学习控制理论”项目由青岛科技大学推荐申报山东省科学技术奖，对我校卜旭辉同志参与申报报奖材料进行公示，详见附件。

在公示期内，任何单位或个人对公示项目的内容及推荐材料的真实性和项目完成人持有异议的，可以书面形式向河南理工大学科技处提出，并提供必要的证明材料，以便于核实查证，确保实事求是、客观公正地处理异议。

公示日期：2020年1月12日至1月16日。

联系人：王永军，陈旭

联系方式：0391-3986253

科技处

2021年1月12日

一、项目简介：现代工业呈现大型化、复杂化方向发展趋势，变量维数高、强耦合、快时变，无法依靠传统方法建立精确机理模型进行优化和控制。随着传感器、计算机等技术的快速发展，工业大数据的获取、存储和处理更加容易，深刻影响着控制理论的发展，正从过去的模型驱动型转化为现代的数据驱动型。因此，本项目针对现代控制理论面临的精确建模与鲁棒性等根本性问题，结合人工智能和新型工业革命赋予自动化以学习的能力和要求，提出了数据驱动的广义学习控制理论研究架构，历经10余年，初步形成了较为系统的理论分析框架和体系。

1、原创性地提出了数据驱动的广义学习控制理论与方法。是国际上为数不多的具有完善理论框架体系的数据驱动控制方法之一，以迭代动态线性化方法、微分中值定理和压缩映射原理为基础数学工具，提出了最优迭代学习控制设计和分析方法，包括最优学习估计器和伪偏导数迭代估计器，具有严谨的稳定性和收敛性结论，突破了传统最优迭代学习控制方法的模型依赖性，且拥有实际应用中极为期望的单调收敛性。研究结果包括轨迹跟踪，稀疏多期望点跟踪和单个终端点跟踪等控制问题，控制系统的设计、分析和实现仅利用输入输出数据，突破了现代控制理论稳定性分析的传统框架，为数据驱动控制理论的建立奠定了重要的数学基础。

2、系统阐述了数据驱动框架下广义学习控制系统的鲁棒性含义，提出了数据不完备情况下的广义学习控制的鲁棒性设计和分析新方法。基于模型的控制理论的鲁棒性是由受控系统未建模动态产生的。由于在数据驱动框架下没有未建模动态的概念，本项目第一次提出了数据丢包、噪声等数据不完备概念下的迭代学习控制鲁棒性的新定义，建立了分析系统鲁棒性的新方法，突破了在未建模动态下讨论控制系统性能保持的传统鲁棒性分析方法，揭示了随机丢包等数据不完备因素对迭代学习控制系统的影响，为其他数据驱动控制鲁棒性的研究提供了新的定义和框架。

3、国际上较先建立了基于相似性的自适应学习控制理论框架。包括研究对象、数学基础、控制器设计和分析方法等，均可借鉴较为成熟的自适应控制理论，成为国内外学者研究自适应迭代学习控制方法的出发点和基础。研究结果从线性参数化系统推广到非线性参数化系统，最终提出了一般非线性系统的数据驱动自适应迭代学习控制理论，研究内容涵盖了基于高阶内模的迭代不确定性的补偿问题、系统输入输出的约束问题、系统的时变延时问题等，建立了较完整的基于相似性的自适应迭代学习控制的研究框架和体系，突破了传统迭代学习控制要求的相同初始状态、相同参考轨迹和参数迭代不变等根本假设。

本项目初步形成了数据驱动的广义学习控制理论的研究框架，为复杂大系统的控制科学问题研究与应用提供了新方法与新思路。项目研究成果发表高水平论文100余篇，5篇代表作被Automatica、IEEE汇刊等重要期刊他引200余次。成果得到了加拿大工程院院士Biao Huang教授以及Francis J. Doyle III教授、M.G. Safonov教授等多位IEEE/IFAC Fellow的引用和正面评价。第一完成人应邀为《IEEE Transactions on Industrial Electronics》和《自动化学报》专刊撰写综述，总结在迭代动态线性化和数据驱动广义学习控制方面的系列工作。

二、客观评价：

支撑本项目的5篇代表作被Automatica、IEEE汇刊等重要期刊他引200余次。成果得到了加拿大工程院院士、IEEE Fellow、渥太华大学Emil M. Petriu教授，IEEE Fellow、香港城市大学Daniel W.C. Ho教授，IEEE Fellow、土耳其博加济奇大学教授Okyay Kaynak，加拿大工程院院士Biao Huang教授，以及Francis J. Doyle III教授、M.G. Safonov教授等多位IEEE/IFAC Fellow的引用和正面评价。

三、代表性论文专著目录：

1、池荣虎、侯忠生^*、许建新

Adaptive ILC for a class of discrete-time systems with iteration-varying trajectory and random initial condition.

Automatica, 2008, 44(8): 2207-2213.

2、池荣虎^*、王郸维、侯忠生、金尚泰

Data-driven optimal terminal iterative learning control.

Journal of Process Control, 2012, 22(10): 2026-2037.

3、池荣虎、侯忠生^*

Dual stage optimal iterative learning control for nonlinear non-affine discrete-time systems

自动化学报，2007，33(10),1061-1065.

4、卜旭辉^*、侯忠生、金尚泰、池荣虎

An iterative learning control design approach for networked control systems with data dropouts. International Journal of Robust and Nonlinear Control, 2016, 26(1): 91-109.

5、张瑞坤、侯忠生^*、池荣虎、吉鸿海

Adaptive iterative learning control for nonlinearly parameterised systems with unknown time-varying delays and input saturations.

International Journal of Control, 2015, 88(6): 1133-1141.

四、主要完成人情况:

1、姓名：池荣虎，排序：1/4，职称：教授，工作单位：青岛科技大学。

主持项目总体研究工作，建立了状态数据驱动的基于相似性的自适应迭代学习控制的研究框架，突破了传统迭代学习控制的要求系统严格重复的根本性假设；发展了数据驱动的迭代动态线性化方法，以此作为基础数学工具，提出了数据驱动的最优学习控制理论；定义了数据驱动框架下控制系统鲁棒性新概念，提出了随机丢包等数据不完备情况下的鲁棒迭代学习控制的设计和分析方法。是代表性论文1-3的第一作者，4、5的合作者，对提名书《重要科学发现》中所列的第1 – 3项发现均做出了创造性的贡献，在本项目的研究工作中投入的工作量占本人工作总量的70%以上。

2、姓名：侯忠生，排序：2/4，职称：教授，工作单位：青岛大学。

项目主要参与人，在本项目所涉及工作的密切合作中，给予了重要的理论指导和研究方案建议，对合作研究内容具有整体前瞻性把握，首次提出了基于重复性特征的城市交通系统的迭代学习控制方案，为解决城市交通拥堵问题提供了新理论和新方法。是代表性论文1、3、5的通讯作者， 2、4的合作者，对提名书《重要科学发现》中所列的1-3项发现有重要贡献，在本项目的研究工作中投入的工作量占本人工作总量的60%以上。

3、姓名：卜旭辉，排序：3/4，职称：教授，工作单位：河南理工大学。

项目主要参与人，提出了数据驱动框架下迭代学习控制的鲁棒性新概念，在随机丢包等数据不完备概念下，给出了迭代学习控制鲁棒性的新定义，建立了概率意义下的迭代学习控制系统的鲁棒性分析方法。是代表性论文4的第一作者和通讯作者，对提名书《重要科学发现》中所列的第2项发现做出了重要贡献，在本项目的研究工作中投入的工作量占本人工作总量的60%以上。

4、姓名：张瑞坤，排序：4/4，职称：副教授，工作单位：青岛科技大学。

项目主要参与人，针对实际应用系统的执行器约束和数据延时等问题，提出了具有输入饱和项与未知时变时滞项的非线性参数化系统的自适应迭代学习控制方法。是代表性论文5的第一作者，对提名书《重要科学发现》中所列的第3项发现做出了重要贡献，在本项目的研究工作中投入的工作量占本人工作总量的50%以上。

五、完成人合作关系说明:

项目完成人近年来一直保持密切合作。池荣虎和张瑞坤都在青岛科技大学工作，同属于一个研究团队，第一完成人池荣虎是团队负责人。池荣虎和第二完成人青岛大学侯忠生教授在课题立项、研究生培养等方面合作紧密，5篇代表性论文中两人合作发表5篇。池荣虎和第三完成人河南理工大学卜旭辉在课题立项、科研项目申请等方面建立了密切的合作关系，二人合作研究了数据驱动自学习控制的鲁棒性问题，5篇代表性论文中合作发表1篇。