迭代学习控制及其在列车自动驾驶系统中的应用

【摘要】：列车自动驾驶系统的核心之一是列车速度调整算法,通过算法实时调整列车的运行速度,保证列车按照预订计划安全行驶。本文根据列车自动驾驶系统的结构特点,考虑列车运行过程中的受力情况建立了列车动力学模型。利用迭代学习控制理论为列车自动驾驶系统设计了4个迭代学习控制器,D型、PD型改进的D型迭代学习控制器及非参数自适应迭代学习控制器。利用列车动力学模型,模拟了在迭代学习控制器作用下列车对期望速度的跟踪过程。仿真结果验证了迭代学习控制器的收敛性,及其在列车速度调整中良好的控制性能。通过对仿真结果的分析比较了D型、PD型迭代学习控制、改进的D型迭代学习控制器以及非参数自适应迭代学习控制的自动速度调整算法在控制性能上的差异。 论文的主要内容如下： (1)针对一般线性及非线性问题,研究了迭代学习控制器的设计方法。研究了D型迭代学习律及其收敛条件,在理论上证明了当系统初始条件相同时跟踪误差在有限时间区间上的一致收敛性；研究了PID型迭代学习律以及高阶迭代学习律、滤波器型迭代学习律、模型算法迭代学习律并分析了其收敛条件。 (2)根据列车自动驾驶系统中列车运行的特点设计了D型与PD型迭代学习控制器。仿真结果表明,在D型与PD型迭代学习控制器的控制之下,经过一定的迭代次数后列车速度均收敛于期望速度,并在以后的迭代中保持较高精度。由于PD型学习律中加入了比例环节,其收敛速度相对较快。 (3)针对D型及PD型控制器中存在的列车初始误差较大的问题,提出改进的D型迭代学习控制器。初次迭代时加入负反馈环节,优化系统初始输入。仿真表明列车在初始迭代时的速度误差明显降低,控制精度提高,收敛速度加快。 (4)利用非参数自适应迭代学习算法设计了第四种控制器。仿真结果表明,相对于D型及PD型控制器,非参数自适应迭代学习控制器具有更快的收敛速度,更高的控制性能。