1.一种挤压机挤压杆的速度跟踪自适应迭代学习控制方法，其特征在于，包括以下步骤：步骤S1、根据挤压机挤压杆的物理性质，以及挤压杆的运动方式，确定挤压杆的动力学模型，确定控制目标，具体过程如下：在不确定工况下，由于多种外部干扰，挤压杆的基本动力学方程，如下所示：；

其中， 是挤压杆及其内部金属的有效质量； 是挤压杆的加速度； 是阻尼系数，代表挤压过程中的能量耗散； 是挤压杆的速度； 是刚度系数； 是挤压杆的位移；

是挤压力； 是摩擦力； 是外部干扰力；

将上述挤压杆动力学模型转化为不确定非线性参数化系统，则挤压杆的有限时间高精度速度跟踪控制问题视为不确定非线性参数化系统的有限时间高精度速度跟踪控制问题；

通过对挤压机挤压杆的动力学研究，确立动力学模型，如下所示：；

其中， 分别是非线性参数化挤压杆系统的两个状态变量—位移和速度；

是非线性参数化挤压杆系统的挤压压力控制输入； 为含有未知时变参数 的未建模的动力学，包括模型的不确定性和未知的时变干扰； 是未知的有界外部干扰； 为系统的位移输出量，表示迭代次数；

步骤S2、基于逼近理论，对挤压杆模型中不确定部分建立神经网络模型，并确定挤压杆的速度跟踪误差系统，具体过程如下：挤压杆的速度跟踪误差系统，如下所示：；

其中， 为第 次迭代时系统速度输出 与目标速度轨迹 的误差，即第 次迭代时的速度跟踪误差；

与其对应的挤压杆的位移跟踪误差系统，如下所示：；

其中， 为第 次迭代时系统位移输出 与目标轨迹 的误差，即第 次迭代时的位移跟踪误差；

步骤S21、在挤压杆模型中，对不确定时变参数项进行处理；

在有限时间区间上，不确定时变参数项 是周期信号，将 分别展开为傅里叶级数，如下所示：；

其中， 是关于时间的三角函数阵； 是对应的权重矩阵； 是展开后的截断误差，其上界是 ；

步骤S22、建立新的傅里叶级数展开‑径向基函数神经网络的逼近器，将 和分别建模，如下所示：；

；

；

其中， 是新构建的逼近器用来逼近系统中未建模的非线性参数化项； 是关于参数 和 的神经网络高斯基函数向量；权重矩阵 和 是有界的，满足 ， ； 是未知的相应的上界，其值是正数； ， 表示 的上界； 和 是未知权值向量 和 的估计；

和 分别表示 和 估计值和实际值之间的估计误差； 为单纯神经网络逼近未知非参数化项时的逼近误差；

；

其中， 是基函数 中含有未知参数估计值时的神经网络基函数； 是 的导数；

表示泰勒级数展开中的高阶项的和；

逼近器的总的逼近误差，如下所示：；

；

其中， ， ， ；余项 的边界为 ；

步骤S23、误差函数的设计及未知界的处理；

引入典型的收敛级数序列，对每个误差项的未知上界进行处理，如下所示：， ，满足 ；

在每次迭代的开始，初始误差值应该满足 ， ，其中， 是一个收敛级数序列；

构造新的误差函数 ，如下所示：；

其中， 是饱和函数为：；

其中， 是一个改进的时变层边界；

步骤S3、基于自适应迭代学习控制理论，设计虚拟控制输入与实际控制输入，具体过程如下：步骤S31、设计虚拟控制输入 及参数自适应律 ， ；

选取新的误差函数 和 ，如下所示：；

；

针对挤压杆模型的第一个子系统，如下所示：；

根据位置跟踪误差，选取Lyapunov函数，如下所示：；

为了使得 负半定，设计虚拟控制器，如下所示：；

参数自适应律为：

；

；

其中， 是逼近未知函数 的神经网络权值 的估计 与权值 的估计误差； 是未知参数 的估计， 是需要设计的增益值； 、 、 、 是需要设计的增益矩阵；

步骤S32、设计实际控制输入 以及参数自适应律 ， ；

设计新的误差函数 ，如下所示：；

选取Lyapunov函数，如下所示：；

其中， 是逼近未知函数 的神经网络权值 的估计 与权值 的估计误差； 是未知参数 的估计， 是需要设计的增益值； 、 、 、 是需要设计的增益矩阵；

对其求导可得：

；

其中， 是逼近未知函数 的神经网络权值 的估计 与权值 的估计误差； 是未知参数 的估计， 是需要设计的增益值； 、 、 、 是需要设计的增益矩阵；

设计实际控制器，如下所示：；

选取参数更新律为：

；

步骤S4、基于Lyapunov稳定性定理，分析所设计控制器的稳定性。