基于干扰观测器的高速列车RBF自适应滑模控制方法

针对高速列车动力学模型的不确定性和存在外部干扰难以实现高速列车对目标轨迹的高精度跟踪控制的问题,设计了一种基于非线性干扰观测器的RBF神经网络自适应滑模控制方法。首先,针对高速列车模型非线性系统的不确定性问题,设计自适应RBF神经网络鲁棒控制器进行跟踪控制,基于RBF神经网络的特性设计神经网络权值自适应律,对列车模型中的未知函数进行估计。其次,针对高速列车跟踪控制外部干扰问题,采用指数收敛干扰观测器进行干扰补偿,提高高速列车对目标轨迹追踪的抗干扰能力。最后,李雅普诺夫(Lyapunov)稳定性分析保证了闭环系统的渐近稳定性,以秦沈客运专线为仿真对象。结果表明,所设计的控制方法不仅解决了列车模型未知阻力部分的自适应逼近,而且在此基础上引入干扰观测器对外部非线性干扰进行补偿实现了对期望轨迹的高精度快速跟踪。     

基于模糊预测控制的高速列车速度控制研究

为了提高高速列车速度控制的跟踪精度,文章在分析了列车牵引制动系统的基础上,以CRH2-300数据为例计算了列车牵引制动的理想运行曲线,并对模糊控制、预测控制,经典的PID控制以及模糊预测控制的阶跃响应作了对比分析,将模糊控制的快速响应能力并能尽快的达到稳态的特点和预测控制能够提前预测的优点相结合设计了适合高速列车的模糊预测控制器,控制高速列车跟踪理想运行曲线;仿真结果表明,该控制器能够很好的跟踪目标曲线,满足误差小、精度高的要求。     

基于最优预见控制的高速列车速度控制器研究

针对高速列车自动驾驶(ATO)速度控制器的设计及性能问题,以列车运行过程中的安全性、舒适性、控制输入为约束条件,提出用最优预见算法设计控制器。该算法以列车动力学为基础,确定列车模型传递函数,进行极点配置之后使控制系统稳定;以列车模型为该算法的控制对象,将列车运行过程中的线路附加阻力和基本阻力作为干扰,实现列车ATO模式下目标速度的自动跟踪控制。选取京津城际北京南站至武清站间线路数据进行仿真验证,仿真结果表明该算法在降低列车运行能耗、提高旅客舒适性与列车运行准点率方面的有效性。     

高速列车自动驾驶前馈自适应广义预测控制方法研究

高速列车自动驾驶（ATO）系统本质上是强非线性和不确定性的系统,针对高速列车模型参数非线性和时变性等特点,文章提出了一种前馈自适应广义预测控制（FA-GPC）的方法对ATO系统进行动态优化控制,并设计了一种带约束的多目标预测控制器。首先,基于列车多质点模型,分析附加阻力的改变对列车运行的影响;然后,结合列车运行过程中的速度跟踪精度、停车精度及运行舒适性等关键指标,构建包含控制输入约束的多目标性能指标函数,设计基于多目标函数的前馈广义预测速度跟踪控制算法,解决了由于附加阻力变化导致控制器超调的问题并加快了控制收敛速度。由于列车运行过程中受外界环境、乘客流动等因素影响,阻力变化大,难以建立精确的数学模型,因此采用带约束的变遗忘因子递推最小二乘法来辨识出列车控制系统在不同工况下受控自回归积分滑动平均模型（CARIMA）,进而提高控制系统的鲁棒性。仿真结果表明,相比传统的无前馈GPC和PID控制器,前馈广义控制器在不同线路条件下巡航控速速度跟踪精度在±0.5 km/h范围内,具有良好的跟踪性;在强扰动情况下通过引入自适应改进的前馈广义预测控制算法,具有较强的鲁棒性。     

高速列车多质点子空间预测控制方法研究

针对列车单质点模型在坡道/曲线段受力存在误差,影响高速列车运行控制器的计算精度,建立多质点高速列车运行模型,提出一种基于子空间辨识的预测控制方法。首先,详细分析在坡道/曲线段高速列车考虑其长度的受力情况;接着,利用子空间从列车运行数据辨识模型参数,构建了列车多质点的状态空间模型;然后,具体给出预测控制器的设计步骤;最后,利用MatLab软件进行速度跟踪仿真对比实验,结果表明本文方法的有效性。     

直流无刷电机位置跟踪伺服系统设计与仿真

为了设计高精度的直流无刷电机伺服控制系统,性能优良的位置跟踪控制器是其重要保障.基于直流无刷电机的工作原理.运用Matlab模糊工具箱建立其自动位置跟踪控制系统的计算机仿真模型,系统的电流和速度环采用Pl控制,结合PID控制和模糊控制设计了系统位置环的模糊PID控制器.数字仿真结果表明,模糊PID控制的动静态特性优于传统单一的PID控制,对设计性能优良的直流无刷电机控制器具有借鉴意义.     

基于模糊自适应PID算法的列车自动驾驶系统研究

既有列车自动驾驶（automatic train operation,ATO）系统使用的传统PID算法囿于参数固定,在强耦合、高度非线性的实际运行场景中,难以很好地克服非线性干扰问题,控车效果不佳。对此,文章提出一种基于模糊自适应PID算法的列车自动驾驶方法,其可以根据预先制定的模糊规则实时调整比例、积分和微分系数,使PID控制器具有更强的速度跟踪性能,从而改善列车控制效果。以长沙轨道交通4号线线路数据为算例进行半实物仿真,实验结果显示,采用该算法后,列车真实速度与推荐速度的平均均方根误差为18.876 cm/s,小于传统PID控制器的35.200 cm/s;列车站间旅行贴合度为1.69 m/s,小于传统PID控制器的2.25 m/s,这表明文章所提算法能有效优化推荐速度曲线跟踪能力,提升系统运营效率。     

基于强化学习的神经网络在船模速度控制中的应用

讨论了强化学习模型,以及基于进化学习的神经网络模型,在此基础上结合强化学习的自适应能力,通过神经网络的在线学习对船舶模型速度进行跟踪控制,并以强化学习神经网络结构设计出神经网络控制器,最终取得对船舶模型航行速度的自适应控制。经过仿真研究,将开发与训练好的自学习神经网络控制器用于对船舶模型速度跟踪控制,所开发的基于强化学习的神经网络控制器具有良好的速度跟踪性能,控制效果明显。     

基于Elman模型的高速列车速度跟踪控制

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.     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

灰色预测模糊自适应PID控制的城轨列车智能驾驶系统研究

为提高城轨列车驾驶系统的智能化程度，将灰色预测控制与模糊自适应PID控制技术相结合，应用到城轨列车驾驶系统中。在对城轨列车驾驶系统进行需求分析的基础上，针对其对各种性能指标的要求，提出了基于灰色预测模糊自适应PID控制的城轨列车智能驾驶系统的设计方案。将灰色预测控制与模糊自适应控制应用到经典PID控制中，设计出了系统的智能控制器，有效满足了城轨列车在运行时对跟踪误差、准点率、停车误差、舒适度和节能性等多个性能指标的要求。仿真结果表明：采用灰色预测模糊自适应PID算法的控制系统具有良好的控制精度且系统的智能化程度得到了相应的提升。     

高速列车非线性系统的分数阶有限时间控制器设计

针对具有输入非线性, 不确定的气动阻力, 未知的车间力, 外部扰动以及未知的执行器故障等特征的高速列车非线性系统, 结合分数阶稳定性原理以及有限时间控制理论, 本文设计了一种分数阶有限时间控制器以实现高速列车更快速且更高精度的跟踪控制. 该控制器能够直接补偿高速列车的不确定性和非线性以及执行器故障而不需任何“试错”过程, 且稳定时间可由控制参数的不同选择来调整. 仿真研究验证了所设计控制器的有效性和优越性.     

ATO系统速度控制的BP-FIPID算法

针对列车自动运行（Automatic Train Operation,ATO）系统控制算法的稳定性与智能性需求,以及比例积分微分（Proportion Integration Differentiation,PID）控制算法的拓展优化,结合BP（Back Propagation）神经网络算法和模糊免疫PID（Fuzzy Immune PID,FIPID）控制算法,提出一种基于BP神经网络的免疫控制参数自适应调整的模糊免疫PID控制算法（BP-FIPID）。以列车运行控制模型为控制对象,分别采用阶跃信号和列车运行目标速度曲线对传统FIPID以及BP-FIPID进行仿真检验。测试结果显示,与FIPID算法相比,BP-FIPID算法具有更好的阶跃响应和抗干扰性能,针对复杂工况的速度-时间曲线同样体现出理想的追溯性。免疫控制参数的自适应调整有助于改进FIPID的性能,两种算法均可作为实践参考。     

神经网络PID控制器在硬盘磁头定位系统中的应用

针对硬盘驱动器难以建立准确对象模型的特性,提出了一种采用神经网络PID控制器的方法。该方法利用神经网络的自学习能力和任意非线性表达能力,实现实时、在线地调整PID控制器的比例、积分、微分系数,从而找到PID控制参数的最佳组合,以达到某种性能指标的最优化。作为常规BP神经网络的改进型,提出以从最初时刻到当前时刻的误差的平方和最小作为性能指标函数。仿真结果表明,采用这种控制方案进行硬盘伺服控制,系统收敛速度快、调节时间短、且几乎没有超调和稳态误差,性能优于常规神经网络PID控制,适用于实际的硬盘驱动器磁头定位。     

基于闭塞区间的高速列车运行时间与节能协同优化方法

提出了一种高速列车运行时间与节能协同优化方法.针对由动态调度层、优化控制层、跟踪控制层组成的列车运行控制与动态调度一体化结构,设计了面向动态调度层和优化控制层的列车运行时间调整策略和节能速度位置曲线.基于高速铁路闭塞区间,建立了列车区间模型和列车速度曲线节能优化模型.利用模型预测控制方法对列车区间运行时间进行调整,优化列车总延误时间;根据调整后的区间运行时间设计列车运行优化速度位置曲线,减少列车运行能耗.仿真算例验证了设计的运行时间与节能协同优化策略的有效性.     

基于强化学习神经网络的车速跟踪控制

提出一种用于汽车排放试验中驾驶机器人对车速跟踪控制的新方法.该控制方法基于神经网络并结合强化学习的自适应能力,通过神经网络的在线学习对车速进行跟踪控制.利用试验汽车所获得的数据,首先开发出用于车速控制的神经网络模型.然后基于强化学习神经网络结构设计神经网络控制器以取得车速跟踪的自适应控制.在仿真研究中,使用神经网络车速控制模型替代实际汽车来训练初始控制器,并用开发与训练好的自学习神经网络控制器用于汽车车速跟踪控制.结果表明,所开发的神经网络控制器具有良好的车速跟踪性能,控制效果明显.     

具有H_∞跟踪性能的机器人自适应PID控制

针对非线性不确定机器人系统的轨迹跟踪控制问题,提出一种鲁棒自适应PID控制算法.该控制器由主控制器和监督控制器组成.主控制器以常规PID控制为基础,基于滑模控制思想设计PID参数的自适应律,根据误差实时修正PID参数.基于Lyapunov函数设计的监督控制器补偿自适应PID控制器与理想控制器之间的差异,使系统具有设定的H_∞的跟踪性能.最后,两关节机器人的仿真实验结果表明了算法的有效性.

Abstract：

A robust adaptive PID control algorithm is proposed for trajectory tracking of robot manipulators with nonlinear uncertainties.The controller is composed of a main controller and a supervisory controller.The main controller is designed based on the traditional PID controller.The parameters of the PID controller are updated online according to the system running errors with the adaptation law based on the sliding mode control.The supervisory controller is proposed to compensate the error between the adaptive PID controller and the ideal controller in the sense of the Lyapunov function with the specified H_∞ tracking performance.Finally, the simulation results based on a two-joint robot manipulator show the effectiveness of the presented controller.     

无刷直流电机的模糊神经网络控制设计

在无刷直流电机(BLDCM)的控制上,传统PID等控制方法存在或多或少的不足.在模糊PID控制的基础上提出了一种模糊神经网络PI控制器的设计方法.该方法结合了模糊逻辑与神经网络,使得模糊控制器模拟了人的控制功能,不仅对环境变化有较强的适应能力,还拥有自学习能力.相比模糊PID控制,其具有计算量小、稳定性强等特点.对BLDCM进行建模与分析;在BLDCM数学模型的基础上,分别设计模糊PID控制器和模糊神经网络PI控制器;对设计的控制器进行仿真验证并分析.实验结果表明,模糊神经网络PI控制具有跟踪性能好、超调小、响应快、脉动小等优点,其动静态特性均优于模糊PID控制.     

基于神经网络与粒子滤波的柔性臂控制方法研究

基于奇异摄动法将单连杆柔性臂系统分解为慢变、快变子系统,采用混合控制方法;设计了基于粒子滤波的神经网络控制器来线性化慢子系统,使其跟踪期望轨迹;采用粒子滤波训练神经网络克服了BP算法收敛速度慢、易陷入局部极小值的缺陷,及扩展卡尔曼滤波方法带来的模型线性化损失;对于快变系统采用最优控制方法;仿真结果表明:在神经网络训练误差收敛速度及精度方面,粒子滤波要比BP及卡尔曼滤波要好;组合控制方法能有效地抑制柔性臂弹性振动,轨迹跟踪迅速准确,精度方面也是前者最优。