非线性系统开闭环PD型迭代学习控制的鲁棒性

利用开闭环PD型迭代学习控制算法,对一类具有不确定性或扰动的重复非线性时变系统的鲁棒性进行研究,给出了该系统在开闭环PD型迭代学习控制律控制下的鲁棒条件,并证明了该受扰系统在干扰有界的情况下跟踪误差的一致有界收敛性,当所有干扰渐近消失时,系统输出渐近跟踪给定的期望轨迹。数字仿真表明了结论的有效性。

加权超前开环PD型迭代学习控制

对具有滞后的线性大工业过程提出了加权超前开环PD 型的迭代学习控制算法,建立了基本的迭代学习控制结构,给出了迭代学习控制算法关于控制系统的ε 收敛性的定义和证明,提出了理想轨线的δ 可达性的概念.数字仿真表明,迭代学习控制能有效改善控制系统的动态品质,如缩短过渡时间,抑制超调等,表明了迭代学习控制算法的有效性.

考虑干扰的交通子区模糊迭代学习边界控制

针对固定增益迭代学习控制器跟踪交通子区内期望累计车辆数n^(*)的速度较慢,迭代次数过多的问题,并考虑到实际交通子区内存在的干扰对其运行状态的影响,建立了含有干扰项的交通流模型并对其进行离散化。采用开闭环比例微分(proportion differentiation,PD)型模糊迭代学习控制器,根据研究子区实际路网内的累计车辆数与期望累计车辆数n^(*)的误差及其变化率对开闭环PD型迭代学习控制器的迭代学习增益和反馈增益进行调整,使交通子区内的实际累计车辆数可以较快速地跟踪期望累计车辆数n^(*),并对开闭环PD型模糊迭代学习控制器的收敛性进行严格证明。通过对轻度和中度干扰影响下的交通子区进行仿真,结果显示,对比固定增益迭代学习控制器,开闭环PD型模糊迭代学习控制器的误差收敛速度分别提高24%和31%,平均排队长度分别减少24.52%和16.55%,平均延误分别减少21.63%和19.23%,平均停车次数分别减少23.68%和10.77%。

大数据高速列车车内压力波动仿真控制研究

为避免高速列车通过隧道时,列车表面的隧道压力波通过车体缝隙以及换气系统等传入车内,影响车内乘客舒适度。该文基于高速列车行驶中海量数据的准周期性以及重复性,建立基于大数据的PD型迭代学习控制系统,通过迭代学习寻求最优换气系统风机工作频率,实时调节风机新风量与废排量来抑制车内压力波动。仿真分析表明:采用基于大数据的PD型迭代学习控制方式使得车内压力波动幅值、最大1 s变化率以及最大3 s变化率呈明显下降趋势,明显优于现有的主动控制(恒定风机频率)方式,能够更加有效地抑制高速列车车内压力波动,提高乘客舒适度。