论文部分内容阅读
在实际的工程应用中,存在着许多被周期性重复执行的控制任务,它们要求系统的输出能够在有限的周期时间内实现对参考轨迹的精确跟踪。由于已存在的如自适应控制、鲁棒控制等传统控制方法都只能在无限长的时间上保证控制系统的稳定性,因此并不适用这种场景。然而,借助于被控制对象的重复运行模式,迭代学习控制能够利用之前的试验信息来改善当前试验的控制性能,因此在处理周期性控制任务上表现出了明显的优势和巨大的潜力。作为促进国民经济发展的重要组成部分,高速列车的运行速度超过200km/h。在如此高速度的条件下,列车的自动运行系统被提出用来完成车辆的启动、牵引、巡航和刹车等操作。而实现列车自动运行系统的关键就在于保证对每列列车的跟踪控制。通常情况,高速列车都是以给定的速度曲线周期性地运行在同一段轨道上,因此迭代学习控制有望成为实现列车自动运行系统最理想的控制方法之一。本文研究了迭代学习控制理论及其在高速列车中的应用,其主要的研究内容和创新点如下:1)研究了一类具有状态延迟的非线性参数严反馈系统的迭代学习跟踪控制问题,其中反步法被用来帮助控制器设计。通过选择合适的Lyapunov-Krasovskii函数补偿未知的状态延迟对控制系统稳定性的影响,一个自适应迭代学习控制方案被提出用来跟踪给定的参考轨迹,其中双曲正切函数被用来避免控制器奇异问题,而指令滤波器被用来处理反步法中常见的计算膨胀问题。控制系统的稳定性和跟踪误差的收敛性通过构造复合能量函数得到了严格的证明。数值仿真的结果验证了所提出的控制方案的有效性。特别地,提出的迭代学习控制器设计方法被应用于高速列车的跟踪控制。该研究内容的主要创新在于首次研究了一类具有状态延迟的非线性参数严反馈系统的迭代学习控制器设计。2)研究了具有输入约束的高速列车跟踪控制问题,其中动力系统分布和输出功率限制对控制系统的影响被充分地考虑。借助于列车的周期性重复运行模式,一个基于多质点模型的自适应迭代学习控制方案被提出用来驱动列车跟踪给定的参考位移和速度,其中对未知时变参数的估计在迭代运行过程中通过学习被不断地纠正。采用反步法的设计过程,一个输入相关的辅助系统被引入来补偿输入约束的影响。通过选择合适的Lyapunov函数并构造相应的复合能量函数,列车闭环控制系统的稳定性和跟踪误差的收敛性被严格地证明。最后,数值仿真被用来验证所提出方案的有效性。该研究内容的主要创新在于首次在迭代学习控制框架下,借助于多质点模型,研究了动力系统分散和执行器输出功率受限条件下的高速列车跟踪控制器设计。3)研究了高速列车的自主协作运行控制问题,其中列车的每节车厢被考虑成一个可自主运行的个体,整列列车被描述为一个纵向编队的多智能体系统,而高速列车的分布式协作跟踪控制问题被形式化为一类多智能体系统的一致性跟踪问题。利用多智能体方法,一个高速列车的分布式自适应迭代学习控制方案被提出用来实现对参考位移和速度的精确跟踪,同时维持各车厢运行状态的一致性。通过构造复合能量函数,本文证明了列车的跟踪误差将沿着迭代轴逐点收敛至0。最后,数值仿真的结果验证了所提出控制方案的有效性。该研究内容的主要创新在于首次将列车的单车自主协作运行与周期性重复运行相结合,研究了高速列车的分布式自适应迭代学习跟踪控制器设计。本文的研究工作不仅是对迭代学习控制理论体系的发展和完善,同时也有望解决在实际工程中存在的相关问题,因此具有重要的理论意义和实际价值。