自适应迭代学习控制和卡尔曼一致性滤波及在高速列车运行控制中的应用

发布时间：2017-12-10 22:18

  本文关键词：自适应迭代学习控制和卡尔曼一致性滤波及在高速列车运行控制中的应用

  更多相关文章： 自适应迭代学习控制 卡尔曼一致性滤波 列车自动运行控制 传感器网络 状态估计 输入饱和 状态时滞 容错控制

【摘要】：本文以自适应迭代学习控制和卡尔曼一致性滤波理论为基础,从列车速度跟踪控制技术和速度测量估计技术两个角度,着重研究了高速列车重复运行控制中的若干实际问题。论文的主要研究内容和创新点总结如下:一、针对高速列车运行中存在的控制输入饱和与未知的速度时变时滞问题,研究了一类自适应迭代学习控制方法,实现高速列车速度运行曲线的精确跟踪控制。首先,考虑列车运行中存在的控制输入饱和情况,利用非线性参数化系统描述高速列车动力学模型,进行系统非线性特性研究,提出基于参数分离原理的半饱和自适应迭代学习控制律,以及沿迭代轴的系统时变参数辨识的全饱和参数学习律。其次,考虑列车运行中同时存在控制输入饱和与未知的速度时变时滞情况,通过加入时滞补偿项,提出带有时滞补偿改进的自适应迭代学习控制方法。然后,基于Lyapunov泛函分析方法,证明自适应迭代学习控制方法及其改进形式都可以严格保证列车速度在2-范数意义下沿迭代轴逐点收敛到期望速度轨迹。最后,数值仿真和比对实验进一步验证所提方法的有效性。二、针对高速列车运行中存在的牵引/制动执行器故障问题,研究一类自适应迭代学习容错控制方法,实现高速列车速度运行曲线的精确跟踪控制。首先,考虑列车运行中同时存在控制输入饱和、未知速度时变时滞以及牵引/制动执行器故障的情况,设计含有非线性反馈补偿和鲁棒补偿项的半饱和自适应迭代学习控制律和全饱和参数学习律。对于SISO高速列车系统,该方法是一种不依赖于精确模型结构、系统参数、时滞与故障等信息的速度跟踪控制方法,可以同步补偿和处理控制输入饱和、状态时滞、执行器故障等非线性影响。其次,对于一类MIMO非线性参数化系统,考虑系统同时存在执行器故障、被控对象和控制增益矩阵非线性参数不确定的情况,提出扩展的自适应迭代学习容错控制方法。然后,通过设计一个新颖的时间权重Lyapunov-Krasovskii-Like复合能量函数,证明了自适应迭代学习容错控制方法及其扩展形式都可以严格保证SISO列车速度误差和MIMO系统状态误差在2-范数意义下沿迭代轴逐点收敛到零。最后,仿真结果进一步验证算法的有效性和优越性。三、针对传感器网络中传感器节点观测受限、分布式测量模型对网络拓扑信息利用不足以及传感器节点间通信噪声等问题,研究了一类分布式连续时间信息权重的卡尔曼一致性滤波方法,实现传感器网络中含有噪声的连续时间线性动态系统状态最优估计。首先,考虑控制输入已知的情况,根据传感器网络拓扑结构,选取局部状态估计误差的协方差矩阵的逆作为信息权重矩阵,设计了新颖的传感器局部测量模型,推导并得到局部最优的系统状态卡尔曼一致性滤波估计方法。其次,考虑系统控制输入未知的情况,给出改进的分布式连续时间信息权重的卡尔曼一致性滤波算法,可以对含有噪声的系统状态和控制输入同步进行分布式估计,避免使用系统输入等全局信息,能够减少通信负担和拓展应用范围。然后,利用Lyapunov稳定性理论,证明连续时间信息权重的卡尔曼一致性滤波方法及其改进形式都可以严格保证分布式传感器对系统状态的局部最优估计。所有传感器对含有噪声的系统状态估计在最小二乘的意义下都一致收敛到系统真实状态的有界邻域内。最后,通过仿真数例和对比实验,验证提出的分布式滤波方法在传感器网络中对连续线性系统状态估计有效,并且明显优于其他已有的滤波方法。四、针对离散时间线性或非线性系统的参数辨识和状态一致性最优估计问题,研究一类基于卡尔曼滤波的系统参数辨识方法和一类分布式离散时间信息权重卡尔曼一致性滤波估计方法,实现传感器网络中非重复运行线性系统的状态最优估计以及高速列车重复运行非线性系统的速度最优估计。首先,考虑一般的含有噪声的离散时间线性系统,提出基于网络信息流拓扑的信息矩阵权重的分布式测量模型,设计分布式离散时间信息权重卡尔曼一致性滤波方法,并给出了基于Lyapunov泛函的收敛性分析。仿真研究及对比实验验证提出的分布式滤波方法在传感器网络中对离散线性系统状态估计有效。其次,考虑一般的含有噪声的离散时间非线性系统,利用全格式动态线性化技术,将非线性模型等价转化为含有外源输入的线性时变自回归模型,分别提出非重复系统的基序列拟合卡尔曼滤波和重复系统的迭代卡尔曼滤波两种系统参数辨识方法。然后,考虑高速列车离散时间重复运行的非线性系统,设计一种分布式离散时间数据驱动的信息权重卡尔曼一致性滤波的速度估计方法,可以通过列车速度传感器网络,实现高速列车含有噪声的速度测量与估计。理论分析表明提出的滤波方法可以保证列车速度估计在最小二乘的意义下都一致收敛到列车真实速度的有界邻域内。最后,高速列车速度估计仿真研究及对比实验进一步验证算法的有效性。
【学位授予单位】：北京交通大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP13;U284.48

【参考文献】

中国期刊全文数据库 前7条

1 阮小娥;朴光贤;卞增男;;迭代学习控制技术回顾与长期学习控制展望(英文)[J];控制理论与应用;2012年08期

2 ;Observer-based Adaptive Iterative Learning Control for Nonlinear Systems with Time-varying Delays[J];International Journal of Automation & Computing;2010年04期

3 ;Novel Adaptive Learning Control of Linear Systems with Completely Unknown Time Delays[J];International Journal of Automation & Computing;2009年02期

4 侯忠生;金尚泰;赵明;;宏观交通流模型参数的迭代学习辨识方法[J];自动化学报;2008年01期

5 许建新,侯忠生;学习控制的现状与展望[J];自动化学报;2005年06期

6 唐涛,黄良骥;列车自动驾驶系统控制算法综述[J];铁道学报;2003年02期

7 孙明轩,黄宝健,张学智;任意初态下不确定时滞系统的PD型迭代学习控制[J];控制理论与应用;1998年06期

中国博士学位论文全文数据库 前4条

1 李振轩;高速列车迭代学习运行控制几类问题研究[D];北京交通大学;2016年

2 宋琦;高速列车的鲁棒自适应及容错控制[D];北京交通大学;2014年

3 孙何青;改进的迭代学习控制算法及其在列车运行控制应用中的几类问题研究[D];北京交通大学;2014年

4 王轶;基于迭代学习控制的几类列车自动控制问题研究[D];北京交通大学;2010年

，

本文编号：1276109