摘要：针对重载列车运行环境复杂多变导致的传统控制方法跟踪误差较大的问题,提出了一种新型的离散积分终端滑模预测控制方案,该方案设计了一种基于自适应切换控制的离散积分终端滑模控制律,为提高重载列车系统跟踪精度,将模型预测控制与离散积分终端滑模控制相结合并推导出离散积分终端滑模预测控制方案.并且还对重载列车多输入多输出系统的未知扰动、系统离散化误差进行了延时估计,进一步提升了模型的精度和算法的控制精度.仿真结果表明,本文提出的控制方法质点1速度跟踪误差在0:2 km/h以内,各质点控制力变化平稳且小于对比方案.

摘要：重载列车全长数公里,其运行过程是复杂的动力学系统.重载列车自动驾驶的关键核心技术是跟踪给定的速度曲线.以重载列车智能货车方案为基础,通过分析列车运行动力学过程,建立重载列车多智能体模型;考虑列车运行时外界的未知干扰,同时保证车厢间处于安全距离,提出一种重载列车复合一致性控制器:用相邻车厢单元的速度等信息构建一致性算法并引入滑模控制加快系统速度一致性收敛;列车不同车厢受到干扰视为未知扰动,且随着滑模增益增加会使系统抖动较大、鲁棒性削弱,所以设计观测器估计扰动并补偿至控制器保证系统收敛并提高抗干扰性;引入人工势函数确保相邻车厢单元间距处于安全范围内,减小纵向冲动.采用Matlab软件进行仿真,跟踪给定速度曲线,并用多种干扰来模拟未知因素对列车的影响,与不加观测器的控制器效果进行对比.仿真结果表明:该复合一致性控制器能够较好跟踪设定速度曲线,速度误差保持在±0.4 km/h以内,且车厢间距处于设定的安全范围内;与不加观测器的控制器在同样干扰下作对比,所提出的控制器的速度跟踪误差仍然在±4 km/h以内,且对于未知干扰有较好的鲁棒性.

摘要：高速列车运行速度快,运行过程复杂,具有较强的非线性,难以实现高精度速度跟踪控制.为了实现高速列车的安全可靠运行,本文研究提出高速列车的运行过程建模和速度跟踪控制方法,采用数据驱动建模方法建立了高速列车运行过程Elman模型,设计了改进型广义预测控制实现了高速列车速度跟踪控制.基于CRH380AL运行过程数据的仿真结果表明,该方法具有更高的跟踪控制精度和较强的鲁棒性,可实现高速列车安全、正点运行.

摘要：针对动车组的速度跟踪控制问题,同时考虑到现有基于模型的控制方法对系统动力学模型的依赖性,以及传统无模型自适应控制时变参数估计算法的复杂性,将改进的多输入多输出(Multiple-input multiple-output,MIMO)偏格式动态线性化无模型自适应控制(Partial form dynamic linearization-improved model-free adaptive control,PFDL-iMFAC)方法引入到动车组自动驾驶系统中.该控制方法在无模型自适应控制的基础上,考虑滑动时间窗口,增加了可调自由度和设计灵活性,并在输入准则函数中加上对能量函数的惩罚项,减少能量损耗,为动车组的跟踪精度和节能运行提供了一种优化的方法,在满足动车组速度跟踪效果好的前提下实现节能运行.最后以CRH380A动车组为对象进行仿真实验,通过与传统无模型自适应控制对比:所提出的控制算法各动力单元速度跟踪误差在±0.2 km/h以内,加速度在±0.65 m/s^(2)以内且变化平稳,比传统无模型自适应控制方法节约9.86%的能量.

摘要：同许多复杂系统一样,动车组(Electric multiple unit,EMU)运行过程也具有多变量、强耦合以及非线性等特性,这严重影响着列控系统的性能.针对包含外部扰动的动车组自动驾驶系统,提出一种新型的多输入多输出(Multi-input-multi-output,MIMO)数据驱动积分滑模预测控制(Integral sliding mode predictive control,ISMPC)算法.首先,该算法基于与动车组运行过程等效的全格式动态线性化(Full format dynamic linearization,FFDL)数据模型,设计一种离散积分滑模控制(Integral sliding mode control,ISMC)律.为了使系统能够获得更高的输出跟踪误差精度,利用模型预测控制(Model predictive control,MPC)代替ISMC的切换控制,进一步推导出ISMPC算法.同时,通过对FFDL数据模型的未知扰动、参数误差等不确定项进行延时估计,提升了算法的控制性能和对系统的等价描述程度.在提供两种算法的稳定性证明分析之后,以实验室配备的CRH380A型动车组仿真实验台对提出的ISMC和ISMPC算法进行仿真测试,并与其他方法进行对比,仿真结果表明ISMPC算法控制性能较好,动车组各动力单元速度跟踪误差均在±0.132 km/h以内,满足列车的跟踪精度需求;控制力和加速度分别在[-52 kN,42 kN]和±0.9249 m/s2以内且变化平稳.

摘要：考虑高速动车组运行时存在的环境干扰、模型参数摄动以及控制器故障等问题,以快速、稳定地跟踪期望速度为控制目标,提出一种基于干扰补偿的全局固定时间积分滑模控制策略。在给出闭环必要的系统假设后,实现了对给定速度的精确跟踪,从而保证了高速列车的安全平稳运行。通过对高速动车组进行动力学分析,建立了符合其运行规律的多质点非线性模型,然后,针对模型扰动项,设计终端滑模干扰观测器用以削弱扰动,且具有固定时间收敛特性。为保证系统鲁棒性设计固定时间全局积分滑模面,针对传统指数趋近律造成的滑模抖振问题,引入改进的变幂次趋近律消除滑模抖振,最终设计出基于终端滑模干扰观测器的全局积分滑模控制器。应用李亚普洛夫判据证明系统的稳定性和全局固定时间收敛之后,以实验室配备的高速动车组运行仿真平台对该方法进行测试并与传统滑模方法进行对比。仿真结果表明:所提控制方法与传统滑模方法相比,在有外部扰动、系统内部模型摄动以及车辆控制器故障时均表现出较强的抗干扰性和较高的控制精度,具有更好的鲁棒性,且车钩力震荡幅度更小,控制器的输出也更为平滑。在保证高速动车组的安全、准确、平稳运行的同时,提升了旅客的乘车体验。研究结果为进一步提升高速动车组运行安全和保障提供参考价值。

摘要：重载列车是一种由上百甚至几百节车厢组成的动力集中式大载重系统,其牵引力/制动力需通过车钩相继传递给车厢,存在明显的非线性和大滞后性.现有的人工驾驶模式,司机难以考虑车厢之间的钩缓约束,易引起车钩断裂和脱轨;且运行性能与司机的操纵经验密切相关,存在耗电大,无法按照列车运行图正点运行等问题.本文针对此关键问题,以实现重载列车安全、正点、节能运行为目标,开展其驾驶过程运行优化研究.分析列车钩缓系统受力原理,基于其特性曲线,采用翟方法构造重载列车钩缓模型及整车纵向动力学模型;据此,考虑钩缓约束运用多目标自适应遗传算法,结合实际运行线路(限速、坡道、曲线率等)约束条件设定列车理想的运行速度目标曲线;最后,采用改进广义预测控制器设计重载列车驾驶过程优化控制方法,跟踪理想速度目标曲线安全、正点、低能耗运行.基于大秦线上HXD1型重载列车实际数据的仿真结果表明本文所设计的理想目标速度曲线优化方法可以较好地改善列车运行中的安全,正点和节能等关键性指标,运行优化控制能保证列车精确跟踪理想速度目标曲线,实现其驾驶过程优化运行.

摘要：为提高虚拟编组列车的协同跟踪效率和编队的稳定性,提出了一种基于分布式模型预测控制(DMPC)的多列车交互协同跟踪控制方法,基于单元列车动力学分析建立了虚拟编组领导者-跟随者列车双向拓扑结构的状态空间模型,以改善单向拓扑结构的局限性,使得通信结构更稳固;在代价指标函数中引入邻接系统状态信息,并与自身状态信息进行加权融合,设计了改进的DMPC算法,在运行速度限制、距离限制和控制量限制等约束条件下,通过求解改进的代价指标函数得到了列车最优控制量和最优状态量,实现了虚拟编组列车的分布式协同控制,并从理论上证明了算法的可行性与闭环稳定性;采用实验室配备的列车追踪运行半实物仿真系统进行仿真,以4列CRH380A单元列车组成的虚拟编组列车为控制对象,使其跟踪设定的期望速度曲线,并与其他传统算法进行了对比。仿真结果表明:在不同初始条件下,虚拟编组列车的距离误差和速度误差均能在300 s后收敛,控制输出能满足乘客舒适性要求,且各单元列车在收到速度调整指令后仍可保持稳定编组队形;采用提出的方法得到的虚拟编组列车的速度和距离均方根误差分别为3.32×10^(-8)km·h^(-1)和6.11×10^(-7)m,相比传统方法均降低了99.99%,可见,提出的方法的控制跟踪性能优于传统控制方法,且各单元列车的采样时刻仿真时长均能保证在3 ms内,满足高速列车控制系统的要求。

摘要：针对动车组运行过程中存在非线性扰动、参数时变等问题,以提高动车组的速度跟踪精度和乘客舒适性要求为目标,提出了一种基于预测控制的高速动车组迭代学习控制方法;通过采集动车组先前运行过程中的输入输出数据,使用带遗忘因子的最小二乘法实时辨识广义预测控制(GPC)中的预测模型参数并计算预测输出,根据以往过程的平均模型误差修正该预测输出,利用修正后预测输出引出迭代学习控制律,在线实时计算得到新的控制量,实现动车组速度跟踪;采用修正后预测输出设计二次型迭代学习控制律,通过充分学习列车系统的重复性特性来解决传统比例积分微分(PID)型迭代学习参数整定难、收敛速度慢和鲁棒性差等问题,并给出算法的收敛性证明;以实验室配备的CRH380A型动车组半实物仿真平台对该方法进行了测试,建立了列车的三动力单元模型,使其跟踪设定速度曲线,并与一些传统算法进行对比。仿真结果表明:在第8次迭代过程,基于预测控制的高速动车组迭代学习控制方法得到的动力单元速度与其设定的速度和加速度误差分别在0.3 km·h^(-1)和0.5 m·s^(-2)以内,且变化平稳,其性能优于PID、GPC和P型迭代学习控制(P-ILC),满足列车跟踪精度与乘客舒适性要求;在模型参数突变的情况下,采用提出的方法可使列车更为及时地校正模型失配、时变和干扰等引起的不确定性。

摘要：为提升高速列车停车精度,考虑不确定性扰动对停车过程的影响,提出一种基于扩张状态观测器的终端滑模控制方法。该方法结合系统模型的输入输出信息,利用观测器估计扰动并反馈至控制器进行补偿,提高系统抗干扰能力的同时,使得控制器的设计不依赖于精准的系统模型。构造非奇异终端滑模面设计控制器中的等效控制部分,实现系统状态跟踪误差在有限时间内收敛至零。为削弱控制转矩抖振,在滑模控制器的切换项部分引入超扭曲算法,实现了系统的平滑控制。通过稳定性分析证明了该控制方法的有限时间收敛性。仿真结果表明,本文方法既增强系统鲁棒性,也极大地提高了列车停车精度。