高速列车滑模自抗扰黏着控制方法

为解决高速列车运行过程中因轨面情况改变，导致列车没有达到最大黏着利用而出现空转或滑行等问题，设计了一种基于最大黏着系数的滑模自抗扰(SM-ADRC)黏着控制器；考虑轮轨间黏着特性的复杂、时变与非线性等特点，基于黏着机理分析，建立了轮轨间牵引系统的力学模型；采用极大似然估计(MLE)方法对不同轨面的相关参数进行辨识，计算了当前轨面的最大黏着系数，保证列车始终能达到最大黏着利用；通过引入滑模算法改进了自抗扰控制(ADRC)中非线性误差反馈控制律部分，设计了一种SM-ADRC黏着控制算法，利用Levant跟踪微分器减小初始跟踪误差，利用扩张状态观测器(ESO)估计和补偿系统总的外部扰动，由滑模控制提高系统的鲁棒性；采用MATLAB软件对CRH380A型高速列车进行仿真，在轨面情况改变时，由SM-ADRC黏着控制器控制列车跟踪设定速度，并将其与比例积分微分(PID)控制器、滑模控制器、ADRC的仿真结果进行对比。仿真结果表明：干燥轨面的最大黏着系数是0.160,16 s时辨识出真值；潮湿轨面的最大黏着系数是0.106,18 s时辨识出真值；ADRC的速度跟踪误差范围为±1 km·h^-...     

基于自适应迭代学习控制的列车自动驾驶算法

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法. 基于Lyapunov 函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律. 构造类Lyapunov 函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性. 采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.     

基于改进模糊PID-Smith控制器的高速动车组停车方法

为解决动车组制动过程中电制动与空气制动切换时控制模型参数变化和空气制动延时大的问题, 以提高动车组停车的精确性, 提出了一种改进模糊PID-Smith控制器; 通过分析动车组制动过程中单个车厢的力学模型, 考虑列车制动过程的特点, 建立了关于运行速度和制动力的二阶纯延时传递函数; 将离散化的二阶纯延时传递函数与单个车厢的力学模型结合, 建立了动车组多质点控制模型, 并分析了该控制模型的特点; 提出了一种改进的模糊PID-Smith控制器, 通过引入Smith预估控制器解决了动车组制动过程中空气制动系统延时大的问题, 使用递推最小二乘法在线辨识了模型参数, 以解决动车组制动过程中电制动切换到空气制动时的模型参数变化问题; 采用模糊PID控制器代替Smith预估控制器中的PID部分, 解决了PID参数整定难和鲁棒性差的问题; 采用MATLAB软件对CRH380A型高速动车组进行仿真, 在不同进站速度、不同减速度和不同程度干扰下, 使控制器控制动车组跟踪设定速度, 并与模糊PID控制器的结果进行对比。仿真结果表明: 改进模糊PID-Smith控制器得到的动力单元速度与其设定速度的误差在0.4 km·h-1以内, 而模糊PID控制器的误差在1.0 km·h-1以内; 采用提出控制器得到的停车误差在0.3 m以内, 而模糊PID控制器的停车误差在1.5 m以内; 提出的控制器满足高速动车组运行过程中停车误差小于0.3 m的要求。      

改进的动车组速度跟踪系统的无模型自适应控制

为了提高列控系统跟踪精度与平稳运行,提出了一种改进的多输入多输出(MIMO)无模型自适应控制(MFAC)方法;基于动态线性化技术,将系统各动力单元输入输出数据等效成更符合高速动车组实际运行特性的全格式动态线性化(FFDL)数据模型;通过在目标准则函数中加入输出误差率,并对输出误差和输出误差率进行加权融合,推导出新的带有输出误差率的无模型自适应控制(MFAC-OER)方案;通过对FFDL数据模型的外界扰动、参数误差等不确定项进行延时估计,进一步提升了算法的控制性能和对系统的等价描述程度;以实验室配备的CRH380A型动车组半实物试验平台对该方法进行仿真测试,使其跟踪济南—徐州的实际速度-位移曲线,并与传统算法进行对比。仿真结果表明：通过MFAC-OER方法得到的动车组各动力单元速度误差为[-0.151,0.136] km·h^-1,控制力和加速度分别在[-48,42] kN和[-0.785,0.687] m·s^-2以内且变化平稳,控制性能优于比例积分微分方法和传统MFAC方法;整体仿真结果证明了MFAC-OER方法不仅能快速到达系统稳态并且具有良...     

基于特征模型的高速列车自适应误差补偿控制

针对高速列车运行过程中因不确定运行阻力和模型误差等因素产生的系统误差，提出了新的基于特征模型的高速列车自适应误差补偿控制策略，实现了其对给定目标速度曲线的渐近跟踪。首先通过动力学分析，基于特征建模方法和参数辨识，建立了存在系统误差的高速列车特征模型；其次，利用扩张状态观测器对系统误差的估计能力，设计了基于特征模型的高速列车自适应误差补偿控制器，并结合广义最小方差方法对控制器参数进行了优化，使其在存在系统误差时仍能实现对给定速度曲线的渐近跟踪。该控制策略能够有效处理系统误差带来的不确定性，提高控制精度，从而保障高速列车的安全可靠运行。为了验证本文所提方法的有效性，以CRH380A型高速列车为被控对象进行仿真实验。仿真结果表明设计的补偿控制方法在列车存在未知系统误差的情况下仍能保证理想的控制性能。     

基于数据驱动的高速列车速度复合控制研究

针对高速列车在外部干扰下的速度控制问题，本文提出基于Koopman算子的高速列车高维线性模型的建模方法，并设计一种结合扩张状态观测器(ESO)与基于Koopman算子的模型预测控制(K-MPC)的复合控制器(ESO-K-MPC)。利用扩展动态模式分解算法来近似无限维线性Koopman算子，建立具有动态非线性特性的高速列车动力学高维线性模型；引入模型预测控制，设计扩张状态观测器，对系统总扰动进行估计与补偿，构建基于ESO-K-MPC的高速列车速度控制系统，再设计控制器与控制算法；结合CRH3列车参数和郑西高铁华山北站—西安北站实际线路数据，分别在没有扰动和白噪声干扰下对设计的控制方法与算法进行仿真研究。仿真结果表明：基于Koopman的高速列车建模对位移与速度的预测精度相比于线性状态空间模型分别提高了83.86%与87.40%;ESO-K-MPC可以准确估计与补偿高速列车运行中受到的干扰，控制输出曲线与期望曲线几乎重叠，实现了列车运行期望曲线的高精度跟踪。     

高速列车的自适应容错跟踪控制

针对执行器故障下高速列车的速度和位移跟踪控制问题,考虑模型参数的不确定性,引入自适应控制技术,设计了列车的自适应容错跟踪控制器.该控制器不依赖于列车模型参数的先验知识,不需要故障检测与诊断设备,可以有效克服列车模型参数未知以及执行器故障的影响,实现执行器故障下高速列车对目标速度和位移曲线的精确跟踪.基于Lyapunov稳定性理论证明了闭环系统的稳定性.仿真结果说明该控制器具有良好的容错跟踪控制能力.     

基于自适应动态面的高速列车蠕滑速度跟踪控制

为实现高速列车黏着控制中对期望蠕滑速度的精确跟踪,提出了一种新的蠕滑速度跟踪控制方法.首先考虑牵引/制动动态建立了列车黏着控制系统动力学模型,并将其描述为一个串级非线性系统;然后采用动态面控制方法,并引入自适应技术估计列车模型参数和系统集总不确定性上界,设计了基于自适应动态面的高速列车蠕滑速度跟踪控制策略.所设计的控制...     

存在扰动和时滞的高速列车自适应制动控制

为了保障高速列车的安全可靠运行,文章以存在未知扰动和输入时滞的高速列车制动系统为被控对象,设计了新的高速列车制动系统模型参考自适应控制策略,实现了对给定速度曲线的渐近跟踪。首先,通过分析高速列车制动系统的原理和动态特性,建立了存在扰动和时滞的高速列车制动系统状态空间模型;其次,充分利用模型参考自适应控制善于处理系统不确定性和外界扰动的能力,结合状态预测,设计了状态反馈控制器,使其在存在未知扰动和输入时滞时仍能实现对给定速度曲线的渐近跟踪;最后基于CRH380AL型高速列车在济南—青岛段的数据开展仿真验证,仿真结果表明文章设计的高速列车制动控制系统具有理想的稳定和渐近跟踪特性,能克服未知参数和有界扰动的影响,具有良好的鲁棒性。     

现代无轨列车横摆稳定控制策略

为改善现代无轨列车车体横摆稳定性和路径跟踪性能较差的问题，基于拉格朗日方程建立车辆动力学模型，分析了液压杆刚度对车辆转向性能的影响；为解决方程中含有未知约束力，导致其定量关系无法求解的问题，以横摆角速度误差和轨迹跟踪误差为优化目标，采用遗传算法离线优化了刚度参数，并利用函数插值方法在线预测，得到了不同车速、不同前轮转角下的最优液压杆刚度；为提高车辆轨迹跟踪性能，将横摆角速度跟踪误差与轨迹跟踪误差作为评价车辆横摆稳定性的标准，定义了车辆行驶过程中各个轴的侧向误差与航向角误差，基于滑模控制(SMC)算法设计了车辆横摆运动控制器，计算了期望横摆角速度，并进行了稳定性证明和稳态误差分析；由比例积分(PI)控制器计算分配到各个驱动轴的车体横摆力矩，并在U型弯路径上进行了仿真与试验。研究结果表明：车辆稳态转向时，液压杆刚度与车速、前轮转角直接相关，且在任何情况下，连接模块前部液压杆刚度一定大于后部液压杆刚度，车速在22 km·h^-1左右时最优液压杆刚度最小；车速大于22 km·h^-1时，速度越大，最优液压杆刚度越大，且前部液压杆刚度变化率明显大于后部；车...     

车辆多目标自适应巡航显式模型预测控制

为了兼顾车辆自适应巡航控制(ACC)系统的跟踪控制效果和实时性, 提出了基于显式模型预测控制(EMPC)理论的车辆多目标自适应巡航控制方法; 基于车辆间运动学关系建立自适应巡航控制运动学模型, 根据预测控制理论推导预测时域内的跟踪误差预测模型, 并确定车辆安全性、跟踪性、经济性和舒适性等多性能目标函数和约束条件; 运用显式模型预测控制中的多参数规划理论, 将基于反复在线优化计算的闭环模型预测控制系统转化为与之等价的显式多面体分段仿射(PPWA)系统, 通过离线计算获得期望加速度与距离误差、速度误差、自车加速度和前车加速度等状态变量之间的最优控制律, 并设计在线查表的搜索流程, 通过定位当前状态所处分区, 并应用该分区的显式控制律实现自适应巡航控制; 进行了纵向跟踪工况仿真验证, 并与传统MPC-ACC控制方法进行对比。对比结果表明: 在前车正弦加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了53.51%, EMPC-ACC控制下的平均距离跟踪误差为0.220 3 m, 平均速度误差为0.340 1 m·s-1; 在前车阶跃加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了72.96%, EMPC-ACC控制下的平均距离跟踪误差为0.331 9 m, 平均速度误差为0.399 1 m·s-1。可见, 提出的EMPC-ACC控制算法在保证纵向跟踪性能的前提下, 有效地提高了自适应巡航控制的实时性。      

融合稳定性的高速无人驾驶车辆纵横向协调控制方法

提出了一种纵横向协调控制的路径跟踪控制方法; 建立了车辆预瞄误差模型和考虑路面地形的高速车辆等效动力学模型, 以此引入道路曲率地形因素; 基于模糊规则设计了预瞄距离发生器, 解决预瞄误差模型中固定预瞄距离的问题; 建立了预测时域与道路曲率的函数关系, 运用模型预测控制算法求解前轮转角, 从而建立路径跟踪控制器; 运用指数模型表示车辆期望车速, 设计了比例积分微分纵向控制器控制车速以改善路径跟踪精度; 运用质心侧偏角相平面图表征车辆稳定性特征, 设计比例积分微分稳定性控制器以改善车辆稳定性。研究结果表明: 提出的控制方法能在不同附着系数路面上对车辆跟踪性能进行优化, 在干燥沥青路面以车速90 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少33%;在潮湿沥青路面以车速70 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少30%;在冰雪路面以车速55 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少16%。可见, 所提出的控制方法能有效改善路径跟踪精度。      

基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制

为实现实际动态交通环境下智能汽车的变道控制, 提出了基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制策略; 针对实际交通环境下目标车道车速和加速度的动态变化, 提出了智能汽车变道动态轨迹规划算法, 获得了能够避免智能汽车发生碰撞的变道轨迹的动态最大纵向长度; 设计了兼顾变道效率和乘员舒适性的优化目标函数, 优化获得了在变道轨迹最大纵向长度范围内的实时动态最优变道轨迹; 利用轨迹预瞄前馈和状态反馈相结合的类人转向控制方式, 实现了智能汽车变道动态轨迹跟踪和乘员舒适性的最优控制, 并利用硬件在环试验台验证了所提控制策略的正确性。研究结果表明: 定速工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.4%、4.8%和0.59 m·s-2; 定加速度工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.1%、4.6%和0.48 m·s-2; 变加速度激烈工况下实际与参考轨迹的侧向位移误差和最大侧向加速度分别为1.7%和0.80 m·s-2, 航向角超调后能迅速重新跟踪动态轨迹航向角; 所提控制策略可以很好地跟踪控制实际交通环境下目标车道汽车在定车速、定加速度和变加速度工况下的智能汽车动态变道轨迹, 从而能实现智能汽车最优变道, 可确保变道过程中不与目标车道汽车发生碰撞, 并兼顾变道效率和乘员舒适性。      

考虑列车追踪的自动驾驶控制算法

为了研究追踪列车安全、平稳的操纵策略,在分析列车间相互纵向动力学关系的基础上,提出了列车追踪模型. 列车在不同情况下控制目标有所不同:单独运行模式下以最优速度模式曲线运行,追踪运行模式下保证安全追踪间隔运行.为了实现不同的控制目标,采用模型预测控制的分层结构,结合二次型优化算法实现最优列车速度控制.以CRH2型列车、武广线为例验证该模型的有效性. 仿真结果表明,本文方法可使追踪列车安全性得到有效提高,且当使加速度控制在-0.75~0.5 m/s2之间,加加速度控制在-0.5~0.5 m/s3之间时,乘车舒适性得到了有效的保障.      

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

基于涡激振动的动车组隧道内列尾横向晃动机理

针对时速160 km动车组在单线隧道内列尾横向晃动问题,提出列尾气流涡脱效应引起车体涡激振动而导致列尾横向晃动的机理,研究了车辆悬挂参数改进等相关抑制措施;根据某动力车结构参数,建立车辆横向动力学模型,结合半经验非线性涡激振子模型,实现涡激振动时车辆流固耦合横向动力学计算。计算结果表明:单线隧道内动车组列尾较大的横向涡激力以及涡激频率与车体蛇行频率共振是引起晃车的主要原因;减小横向涡激力、提高车辆蛇行运动稳定性是减小晃车幅值的有效措施;针对该动力车,需避免较低等效锥度的轮轨接触,以防车辆一次蛇行导致涡激振动加剧;当转向架抗蛇行减振器阻尼由800 kN·s·m-1减小到400 kN·s·m-1,涡激共振时车体后端横向振动加速度幅值减小40%;车辆二系横向悬挂采用天棚阻尼半主动控制时,可以有效减小涡激共振区车体横向振动幅值,并能兼顾车体前后端横向平稳性。      

城际动车组顶层技术指标分析

根据城际动车组的特点,从气候条件、线路条件、速度等级、定员和重量、轴重、加速性能、减速性能、乘坐舒适性、安全性、旅客界面和检修周期几个方面对城际动车组顶层技术指标进行分析比对．提出了城际动车组顶层技术指标．     

风挡连接装置对列车动力学性能的影响

论述了各种风挡的动力学建模处理过程，结合单节客车动力学计算模型，以三节客车作为一个列车单元建立了列车动力学计算模型。通过求解描述列车系统的运动微分方程组，得出了列车蛇行运动稳定性、动态曲线通过性能及运行平稳性等方面的一系列数值仿真结果。计算结果表明，列车的失稳一般由尾车尾部转向架的蛇行失稳引起；列车的曲线通过性能随着曲线通过速度的提高、曲线半径的减小而迅速降低；中间车的运行平稳性明显优于头车和尾车；密接式风挡的运行平稳性最差，因此建议加装缓冲装置以提高装备密接式风挡动列车的动力学性能。     

既有双线提高旅客列车速度对起停附加时分及追踪列车间隔的影响

将旅客列车速度提高到１４０￣１６０ｋｍ／ｈ是铁路改善旅客运输质量、参与市场竞争的重要手段，是铁路面临的新课题。本文对既有双线自动闭塞区段提高旅客列车速度并相应提高货物列车速度后旅客列车起停附加时分及货物列车起停附加时分的变化进行了分析和讨论，进而对旅客列车提高速度后的列车追踪间隔时间Ｉ追、列车到达间隔时间Ｉ到、列车出发间隔时间Ｉ发和列车不停车通过车站间隔时间Ｉ通的变化情况进行了较为详细的分析，得出     

吊舱推进电机的无模型自适应滑模矢量控制

为解决半潜船吊舱推进电机控制系统中负载扰动造成的转速跟踪性能差的问题, 提出一种基于数据驱动的吊舱推进电机转速矢量控制方法; 对包含未知负载扰动的推进电机转速方程进行离散化处理, 给出关于输出转速与输入电流离散后的非线性转速系统; 由于非线性转速系统方程中变量较多且负载扰动模型未知, 设计了基于数据驱动的无模型自适应控制器, 并给出了伪偏导数估计算法; 采用滑模观测器观测螺旋桨负载扰动, 同时给出了滑模控制器; 结合无模型自适应控制和滑模控制给出了负载扰动下的无模型自适应滑模(MFASM)控制方案; 构建了吊舱推进电机无模型自适应滑模矢量控制调速系统, 并在MATLAB/Simulink环境下给出了仿真结果。研究结果表明: 在船舶正常作业恒定转速下, 在0.3~0.5 s时间区域内, 采用MFASM矢量控制方案和PI矢量控制方案的吊舱推进电机的转速误差分别为2、6 r·min-1; 在0.8~1.0 s时间区域内, 采用无模型自适应滑模矢量控制方案和PI矢量控制方案的吊舱推进电机的转速误差分别1、3 r·min-1; 对于船舶操车作业的可变转速情形, 采用MFASM矢量控制方案的推进电机转速和转矩达到稳态的时间比PI矢量控制方案少0.01~0.03 s。可以看出, 采用MFASM矢量控制方案可改善吊舱推进电机转速跟踪性能, 是一种有效的抑制负载扰动的数据驱动控制方法。