有限迭代约束的鲁棒自适应迭代学习控制算法，用于具有超速保护和追尾保护功能的高速列车在扰动环境下的控制

《IEEE Transactions on Vehicular Technology》：Finite-Iteration Constrained Robust Adaptive Iterative Learning Control for High-Speed Train With Overspeed Protection and Tailgating Protection Under Disturbances

　　提出有限迭代约束鲁棒自适应迭代学习控制方法，通过计算直接确定收敛迭代次数并支持参数灵活调整，集成相邻列车距离信息实现安全距离控制，采用径向基神经网络补偿系统不确定性，并通过中国高铁仿真系统验证了有效性和可行性。

　　

摘要：

为了确保完美的跟踪性能，大多数现有的迭代学习控制（ILC）方法在应用于自动高速列车（HST）运行控制系统时，都要求操作/迭代次数趋于无穷大。这在实际的列车运行控制实践中并不现实。本文提出了一种新的有限迭代约束鲁棒自适应迭代学习控制（FICRAILC）方法。该方法不仅能够实现有限次数的迭代收敛，还能保证超速保护和追尾保护，从而确保安全性。具体来说，收敛所需的迭代次数可以通过计算直接获得，并且可以根据所需的跟踪控制精度、可调控制器参数和初始系统值进行灵活调整。此外，还构建了一种新的控制策略，该策略将相邻列车的距离信息整合到设计的控制器中，从而可以调整与相邻列车的距离，始终保持安全距离。另外，通过设计迭代学习径向基函数神经网络（RBFNN），对系统中的各种不确定性进行了近似和补偿。为了进一步验证所提出的FICRAILC方法的可行性，提供了类似于中国铁路HST的列车运行控制系统的仿真示例。

引言

交通运输在国家经济发展中起着关键作用，而高速列车（HST）作为一种重要的运输工具，为铁路运输业的扩展提供了保障。鉴于最近的技术发展趋势，自动HST运行正在迅速发展，其相应的运行控制问题也受到了越来越多的关注。关于HST的研究热点包括基于高精度速度跟踪的有效HST控制，以及与自动HST运行相关的更新技术的持续发展。高质量和高安全性的HST自动运行控制受到了广泛关注[1]、[2]，同时，也开发了许多控制方法，如滑模控制[3]、模型预测控制[4]、自适应控制[6]、[7]、[8]、[9]等。