高速列车鲁棒制动控制方法研究现状

传统的制动控制算法大部分集中在PID 控制[33]和模糊控制[34]；后来，计算机控制技术和传感器技术日渐发展，自适应算法[35]、神经网络[36]、迭代学习等智能控制算法也被应用于制动控制算法中。

PID 控制和模糊控制都是无模型的控制算法，有很强的工程实践价值，但是这两种算法在误差收敛性和鲁棒性上都有欠缺。石卫师[37]针对模型的未建模动态设计了无模型自适应控制器（MFAC），实现了对目标制动曲线的跟踪。Cui K[38]等利用滑模变结构控制与PID 控制结合的控制方法，研究滑模控制处理模型中的未知扰动，通过PID 控制消除控制器输出的抖动。王青元[39]等分析了制动装置的工作过程，建立了更为准确的制动系统数学模型，设计自适应算法处理模型中的不确定性。冯晓云[40]等通过设计终端滑模控制器，实现城轨列车对目标制动曲线的有限时间跟踪控制，在利用自适应控制处理未知扰动后，设计扰动扩张观测器实时观测扰动，在获得高精度的跟踪制动控制的基础上进一步提高了制动控制器的抗干扰能力。张梦楠[41]等建立了三阶的制动控制系统，针对高阶非线性系统引用反演滑模技术，实现了对目标制动曲线的高精度制动控制。唐涛[42]等利用迭代学习技术研究了列车的自动驾驶技术。Hou[43]等将迭代性学习的方法引入动车组制动领域。吴鹏[44]等将预测控制算法引入列车的自动制动算法中，对目标曲线实施滚动优化，实现带有约束条件的多目标控制，获得了极高的制动精度。贺广宇[45]等利用线性二次最优的控制思想引入列车制动控制器设计中，实现了高精度的制动。北京交通大学、西南交通大学、华东交通大学、南昌大学均在列车运行控制技术方面中标国家自然科学基金，这代表其在该研究领域处于领先地位。其中，2011 年，北京交通大获得国家自然科学基金重点项目《高速列车主动安全控制的关键基础研究》，也为高速列车制动控制领域贡献了诸多优秀科研成果。(www.xing528.com)

单质点列车的跟踪控制器在过去漫长的时间内得到了完善和发展，鉴于单质点列车的模型更加注重对列车内部工作原理和工作过程的建模，其模型的复杂程度很高；因此，跟踪控制器也较为复杂，工程实践难度较大。综上研究现状，对制动装置建模后输入时滞的问题，大都采用Pade 逼近或者基于数据的控制器设计方法。但Pade 逼近丧失了一定的模型精准性，而基于数据的设计方法在时效性上又存在局限。因此，研究一种不失模型精准性且基于模型的设计方法成为本书重点解决的问题之一。