基于预测控制的动车组迭代学习控制方法

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。