高速列车双自适应广义预测控制方法

针对单一广义预测控制器在控制过程中只修改模型参数而不修改控制器参数,导致列车在启动和制动阶段控制效果较差这一问题,采用双自适应广义预测控制方法,设计高速列车双自适应广义预测控制器实现对高速列车运行过程的自动控制。该控制器采用具有可变遗忘因子的递推最小二乘法实时辨识列车运行过程模型的参数,根据辨识得到的模型参数自适应建模且修正控制器的调优参数,进而计算出高速列车需要施加的牵引/制动力,并设计确保控制器稳定的监督机制,实现高速列车对给定速度的高精度跟踪。仿真结果表明:双自适应广义预测控制器对给定速度和位移均有高精度的跟踪能力,在遇到未知干扰时仍能确保列车安全、稳定地运行,其控制效果明显优于单一自适应控制器。     

高速列车模型参数辨识及控制研究

针对高速列车模型参数时变、非线性、高阶复杂等特点,提出了基于特征模型的高速列车二阶系统最优化PID控制方法。特征模型和原动力学模型在输出上是等价的,不需要考虑列车实际的物理特性,将模型简化,降低了模型的复杂度。首先对列车进行基本动力学分析,由高速列车一般单质点动力学模型推导建立特征模型。然后采用梯度矫正辨识算法对模型慢时变参数进行辨识优化,通过辨识仿真得到的估计值和模型值对比,进一步来验证特征模型时变参数对模型精确度的影响。最后,通过设计最优控制器和最优PID控制器,对列车速度和位置进行误差跟踪控制,得到两种控制器下的误差跟踪仿真结果,通过采用稳态误差、超调量和调节时间三项系统参数进行结果对比,说明了最优PID控制器的控制效果更加良好,也由此说明特征模型对控制器的设计是有效的。     

结合迭代学习和模型预测的重载列车运行控制

为实现重载列车单次行程的高鲁棒高精度轨迹跟踪，根据列车纵向运动特性，构建重载列车多质点的动力学模型；基于利用批次化的运行过程积累控制经验，结合迭代学习和模型预测控制方法设计1种增强抗扰的重载列车跟踪控制器，将重载列车动力学模型转化为基于模型预测控制框架下的线性二次型最优控制模型，用二次型最优控制的速度和位置状态反馈增益表示迭代学习增益，利用批次化积累的控制经验不断提高跟踪性能，实现单次行程的滚动时域优化，提升轨迹跟踪的鲁棒性和精度；对某货运专线上的2万t重载列车进行跟踪控制仿真，分别从时域稳定性和迭代收敛性验证该控制器的稳定性。结果表明：结合迭代学习和模型预测控制方法能够很好地利用重载列车系统操纵重复性特征并实现全程跟踪控制，较传统控制方法跟踪效果更好并能有效降低列车纵向冲动，同时能够动态响应非重复性扰动，满足重载列车运行控制要求。     

基于BFGS方法的列车速度预测控制研究

列车速度控制是轨道交通发展领域的重要基础问题。面向真实列车速度控制应用场景的列车动力学模型及其控制器设计更具挑战性。一方面,传统基于反馈的无模型控制策略存在收敛速度慢、参数要求高、环境变化敏感等问题,目前难以从优化角度设计控制器且应对复杂系统的约束。另一方面,传统的列车单质点动力学模型很难解决高速列车运行过程中的非线性特性。针对上述瓶颈,首先对列车各节车厢进行受力分析,且考虑车厢间的安全距离,将相对位置和相对速度作为可变状态构建列车多质点模型。然后采用模型预测控制策略,综合考虑列车速度控制的非线性成本函数,处理列车运行过程中的复杂约束,预测控制系统的未来动态行为。然后,针对列车预测控制中的复杂动态约束非线性优化问题,设计对数障碍函数处理不等式约束,进而从拟牛顿法角度设计一种具有稳定收敛性的基于BFGS方法的列车速度预测控制算法,完成列车速度的精准跟踪控制。最后,以国内某线站间列车运行数据为例,与其他先进控制方法进行对比实验,以验证所提出的BFGS列车速度预测控制算法的优越性能。实验结果表明,本文所设计的基于BFGS方法的列车速度预测控制算法能够有效地减小列车速度跟踪误差和位移误差,提升...     

高速列车多模型广义预测控制方法

列车运行过程是一个典型的非线性过程,并且随着列车速度的增加,非线性特性越来越强,这就给自动驾驶系统的设计提出更高的要求。本文针对高速列车自动驾驶系统设计多模型广义预测控制器。首先针对高速列车的非线性特性,利用聚类有效性评价指标确定最优的多模型个数,然后采用减法聚类方法建立多模型集合。接着针对每个聚类集合,利用递推最小二乘方法建立相应的线性模型。最后针对模型参数不确定性和未建模部分,设计多模型广义预测控制器进行控制。仿真结果证明了该方法的有效性。     

粒子群优化广义预测控制在列车制动系统中的应用

动车组列车制动系统是列车自动驾驶系统ATO的关键环节。针对动车组列车制动系统模型存在较大误差导致的列车在制动阶段控制效果较差这一问题,提出将动车组列车制动模型分为静态子系统和动态子系统两部分,根据列车制动系统的性能和要求,设计了CPSO(混沌粒子群算法)优化GPC广义预测控制器。该控制器由CPSO辨识动态子系统纯延时环节和外界干扰造成的GPC模型误差,并计算动车组列车所需的控制量。以CRH2型动车组为仿真对象,从仿真结果看出,CPSO-GPC控制器在遇到未知干扰时能够满足动车组列车对给定速度和位移的高精度跟踪要求。     

强风下高速列车滑膜自适应鲁棒H_∞控制方法

大风环境下高速列车的运行是一个强耦合、高度非线性过程,且随着风速增大和车速增加,这种特性逐渐增强,因此需要更高要求的自动驾驶系统。基于李亚普诺夫稳定性理论设计高速列车自动驾驶滑模自适应鲁棒控制器,该控制器采用自适应控制实时逼近列车不确定性特征的系统输入系数,采用鲁棒H∞控制将自动驾驶系统中模型误差、大风和其他干扰造成的参数变化等所有不确定量减小到最小范围,同时也消除了系统抖振现象。计算出高速列车需要施加的牵引/制动力,通过滑模控制消除系统安全运行速度跟踪误差,实现不同风速下高速列车对给定安全运行速度的高精度跟踪。仿真结果证明了该方法的有效性。     

中低速磁浮列车制动过程的时滞补偿预测控制

中低速磁悬浮列车制动过程中具有非线性强、时滞大、时滞特性难处理等特性,传统列车制动控制方法难以实现对磁浮列车制动过程的精准速度控制。为解决中低速磁悬浮列车制动过程的时滞问题,提高制动控制精度,提出一种中低速磁浮列车制动过程的时滞补偿预测控制方法。首先,根据中低速磁悬浮列车实际运行数据,利用带有遗忘因子的递推最小二乘法辨识列车模型参数,建立列车自回归模型。然后,根据得到的受控自回归积分滑动平均模型和Smith预估器构建带时滞补偿的广义预测控制器并分析其控制律更新过程,实现对中低速磁悬浮列车制动过程的纯滞后补偿,降低列车制动过程中时滞特性的影响。最后,基于某磁浮线现场数据,以中低速磁悬浮列车制动过程为被控对象进行实验仿真,并比较时滞补偿广义预测控制方法与传统广义预测控制方法对于中低速磁悬浮列车制动过程速度跟踪控制的效果。仿真结果表明：所设计的时滞补偿广义预测控制器能够以更高的精度实现对中低速磁悬浮列车制动过程的速度跟踪,且与传统广义预测控制方法相比,系统跟踪误差更小并具有更好的控制性能。所提出的时滞补偿广义预测控制算法不仅解决了中低速磁悬浮列车制动过程的时滞问题,而且有效提高了列车制动控制...     

基于多质点模型的高速列车速度控制研究

在对高速列车速度控制的研究中,传统的单质点列车模型因未考虑车长及车间影响力,导致列车在经过特殊线路时速度会跳变,造成较大的速度控制误差。针对上述问题,在列车建模时考虑列车长度以及对每节车厢的受力进行深入地分析,在此基础上建立高速列车的多质点模型,并对其设计相应的模糊预测控制器进行列车速度跟踪控制研究。研究结果表明:对列车建立的多质点模型,能有效地解决列车在经过变坡点和变曲率点时产生的速度跳变问题,减小速度控制误差,且针对该列车模型设计的模糊预测控制器能很好的控制列车跟踪理想速度曲线运行,提高列车速度控制精度和舒适度。     

基于动态面方法的高速列车蠕滑速度跟踪控制

针对高速列车的主动黏着防滑控制问题,提出基于障碍Lyapunov函数的蠕滑速度动态面跟踪控制算法,可以实现对蠕滑速度的上界约束,同时保障黏着控制系统的稳定性。首先建立考虑牵引与制动转矩产生过程的高速列车动力学模型,并将黏着控制问题描述为含输出约束的非线性系统的跟踪控制问题;然后引入障碍Lyapunov函数处理输出约束问题,设计了自适应动态面控制律,未知参数由自适应律估计得到,未知时变的黏着力和运行阻力由两个力观测器来估算;最后通过Lyapunov方法证明了蠕滑速度跟踪误差半全局一致最终有界,蠕滑速度始终保持在稳定区域内。仿真结果证明了该方法的有效性。     

时变遗忘因子的高速列车自适应子空间预测控制

针对传统列车固定模型难以描述和控制具有时变、非线性等特征的高速列车运行过程问题,本文提出时变遗忘因子的高速列车自适应子空间预测控制方法。首先基于列车状态空间模型描述构建列车的增量式子空间预报模型;接着融合子空间辨识与反馈校正的思想得到时变遗忘因子的列车自适应模型,进而分析高速列车自适应子空间预测控制器的设计方法,并给出相应的控制算法。最后进行高速列车运行过程控制的仿真对比实验,结果表明本文控制方法在高速列车正常运行及强干扰情况下的预测跟踪控制性能是有效的。     

基于T-S模糊模型的高速动车组通信网络实时控制方法

建立包括控制器节点与执行器节点之间的前向通道时延,以及它与传感器节点之间的反馈通道时延的多功能车辆总线网络控制系统,获取的时延数据呈现随机分布的特点;采用自动回归模型和最小均方算法进行前向通道时延的预测;考虑列车关键控制系统的特点,将非线性系统描述为不同稳态工作点附近的多个线性子系统,基于T-S模糊模型建立非线性网络控制系统模型,设计各子系统基于状态空间滚动优化的广义预测控制方法。对采用不同控制方法、不同采样周期和负载率时控制效果进行仿真。结果表明:基于T-S模糊模型的GPC时延控制方法可以精确跟踪不同变化频率的参考信号;与模糊自适应PID方法相比较,该方法能较好地抑制时延对控制性能的影响,具有理想的鲁棒性能和稳定性能,完全可以满足高速动车组运行过程的控制实时性要求。     

数据驱动的高速列车子空间预测控制

随着列车运行速度的提高,列车与接触网、轨道、空气的动力作用加剧,给高速列车的建模与控制提出更高的要求。本文提出数据驱动的高速列车子空间预测控制方法:构建基于状态框架的高速列车多变量动力学系统;由输入输出数据设计高速列车的子空间预报模型;详细分析高速列车子空间预测控制器的设计方法,并给出相应的预测控制算法。高速列车的数值仿真实验结果证明所提出控制方法的有效性。     

基于滑模自适应鲁棒控制的城市轨道交通列车电空制动控制策略研究

针对城市轨道交通列车电空制动系统控制过程中外界干扰、执行机构时滞、基本阻力不确定等特性造成ATO(列车自动运行)系统速度跟踪及停车不准问题,根据李雅普诺夫稳定性理论提出一种基于SMARC(滑模自适应鲁棒控制)的城市轨道交通列车电空制动控制策略,设计城市轨道交通列车ATO系统基于SMARC的制动控制器。通过鲁棒控制将系统模型中非线性、输入时滞和外界扰动等所有不确定量减小到最小范围,同时也削弱了滑模控制器的抖振现象,增强了控制器的鲁棒性;进一步采用滑模控制减小列车制动过程中速度跟踪误差和减速度误差,从而获得较高的停车精度。仿真结果表明,基于SMARC的制动控制器的控制能完全满足城市轨道交通列车制动要求。     

动车组列车制动系统Hammerstein模型的广义预测控制研究

鉴于动车组列车制动控制在运行和ATO中的重要性,以Hammerstein模型为基础,设计动车组列车制动系统的广义预测控制GPC器。把Hammerstein模型看作静态子系统和动态子系统的串联,动态子系统辨识为CARIMA模型,用思维进化算法MEA辨识由动态子系统纯延时环节和外界干扰造成的模型误差,设计基于MEA误差修正的GPC器,得出中间量。根据动车组列车制动特性对中间量进行约束化处理,使处理后的中间量和制动级位实现一一对应关系。对描述静态子系统的静态函数求逆,得到制动系统的制动级位。以CRH2型动车组为仿真对象,比较PID和GPC的控制效果,证明MEA修正误差的有效性,验证GPC器控制动车组列车制动系统的优越性。     

基于自抗扰控制的高速列车自动驾驶速度控制

针对高速列车在复杂环境运行时,传统PID控制器受未建模动态及外界未知干扰导致列车速度追踪误差大的问题,提出一种基于自抗扰控制ADRC(Active Disturbance Rejection Control)的高速列车速度控制算法。基于单质点模型建立列车的状态空间方程,令列车方程中的未知部分作为扩张状态设计二阶自抗扰控制器,并利用CRH380A型列车参数进行仿真,对指定的目标速度曲线进行追踪,证明基于自抗扰控制算法的可行性;同时设置干扰量,与传统PD控制、非线性PID控制算法在抗干扰性能和追踪误差等方面作比较。结果表明,基于自抗扰控制的高速列车速度控制器具有抗干扰性强、追踪误差小的优点。     

受限状态下的高速列车迭代学习控制方法研究

针对受限状态下的高速列车自动驾驶系统的跟踪控制问题,基于列车动力学模型,提出一种带饱和函数的迭代学习控制算法。根据Lyapunov稳定性原理,利用列车运行过程中的状态偏差,推导出基于迭代学习控制的列车自动运行控制律。建立类Lyapunov的复合能量函数,通过在迭代域的差分,证明了其差分负定性和有界性,所设计的算法能够控制列车在迭代域对期望运行轨迹达到渐近收敛。采用本文提出的迭代学习控制算法对列车的跟踪性能进行验证,并与PID控制和D型迭代学习控制算法进行比较,结果表明:相较于其他两种算法,本文提出的算法在第3次迭代中就能控制列车精确跟踪期望轨迹,说明算法具有较快的收敛速度和较高的跟踪精度,且能够将控制输入约束在允许范围内。     

输入受约束的高速列车鲁棒自适应动态面控制

实现高速列车对期望速度与位移的精确跟踪至关重要。考虑输入饱和约束以及由于不确定的运行阻力、未知的黏滞摩擦系数和未测量的运行状态等引起的系统不确定性,提出高速列车的鲁棒自适应动态面控制算法。建立考虑牵引与制动转矩产生动态过程的高速列车动力学模型;引入扩张状态观测器在线估计和补偿系统总的不确定性,应用跟踪微分器代替动态面控制中的一阶滤波器,构造附加系统处理输入约束问题,设计了高速列车的鲁棒自适应动态面控制律;基于李雅普诺夫稳定性理论证明了闭环系统的稳定性以及高速列车速度跟踪误差和位移跟踪误差的半全局一致最终有界性。仿真结果验证了所提算法的有效性。     

基于无模型自适应控制的高速列车ATO控制器

针对高速列车在多变复杂环境运行时,传统控制器出现的动力学模型不匹配和司机操作存在安全隐患的问题,提出一种基于无模型自适应控制(Model-Free Adaptive Control, MFAC)的高速列车自动驾驶控制器设计方案。首先,构建全格式动态数据列车模型,将列车的非线性特性转移到伪梯度中;其次,根据全格式动态数据列车模型设计无模型自适应控制律和列车控车原理,通过列车运行数据估计伪梯度,构建ATO控制器;最后,使用"兰州西—西宁"的动车组运行数据进行仿真,得到MFAC控制器作用下的速度追踪误差为0.254km/h,列车加速度冲击率区间主要分布于[0,0.1)中,约占总步长的83.8%,并与模糊自适应PID(ProportionIntegral-Derivative)在速度追踪、位移追踪和舒适度方面做了对比,结果表明该控制器的性能更优。     

基于小波包滤波列车自动驾驶的研究

针对列车运行环境复杂、干扰因素多等问题,提出一种小波包滤波和迭代学习相结合的列车自动驾驶控制系统。首先根据城轨列车的行进与制动模型设计基于小波包的列车速度滤波,以获取较好的列车速度参数;然后采用迭代学习设计一种自适应控制器,对列车在行进过程中进行速度曲线跟踪控制,并能够依据当前的速度与位移判定停车起始位置,从而获取更为精确的停车结果。最后通过约束方程与不等式对列车的停车起始点进行精确选取,来获取更精确的停车时间和停车精度。实验结果表明基于小波包滤波和迭代学习相结合的方法能够更加精确跟踪停车曲线。