基于迭代学习理论的高速列车半主动悬挂系统建模与振动控制

With the increasing of train speed and the application of lightweight design, the vibrations caused by wheel/rail irregularities, tunnels, and bridges will greatly affect the stability, safety, and comfort of the high-speed train. For the repeatedly operating high-speed train and the underactuated semi-active suspension system, this project will develop an iterative leaning based high-speed train model identification and disturbance estimation method by utilizing the actual operation data of the train with passive suspension system. On this basis, a dual-loop based fullactuated real-time iterative leaning vibration control (ILVC) will be presented to perfectly reject the spatial repeated and periodic disturbances. Notably, this ILVC could be executed without the nonlinear inverse model of the MR damper. Moreover, from the economy/practicality perspective, the optimal configuration of semi-active suspension system will be discussed. Then, based on the equivalent input disturbance and the forgetting factor, a underactuated real-time ILVC will be proposed to optimal supressing the spatial repeated and periodic disturbances. Finally, the simulation and the test platforms for the semi-active suspension control system of high-speed train will be established to debug, verify, and optimize the developed ILVC algorithms. This project has good theoretical and practical values in improving the stability, safety, and comfort of the high-speed train.

随着列车速度的提高和轻量化设计的应用，轮轨不平顺、隧道、桥梁等激扰源引起的振动对高速列车的稳定性、安全性和舒适性等产生了显著的影响。针对高速列车空间重复运行及半主动悬挂系统欠驱动的特点，本项目利用（被动悬挂）实车运行数据建立基于迭代学习的高速列车模型辨识和激扰估计方法，并将激扰分解为空间重复激扰、周期性激扰和随机激扰；研究基于双闭环的全驱动实时迭代学习振动控制策略，在无需磁流变阻尼器非线性逆模型的前提下，实现对空间重复激扰和周期性激扰的完全消除；从经济性和实用性角度，研究半主动悬挂控制系统优化配置方法，建立基于等效输入干扰和遗忘因子的欠驱动实时迭代学习振动控制策略，实现对空间重复激扰和周期性激扰的最优抑制；搭建高速列车半主动悬挂控制系统仿真平台和试验平台，调试、验证和优化研发的半主动迭代学习振动控制策略。本项目研究对提高高速列车运行的稳定性、安全性和舒适性，具有良好的理论意义和工程应用价值。

为了提高新能源高速列车的振动舒适性和能源效率，本项目对悬挂系统及其能源系统进行了研究。首先，针对高速列车动力学模型及轨道不平顺的频率特性，设计了基于内模原理的谐振控制器。该控制器，结构简单，成本低廉，只需要车体的横向加速度信息，即可实现与状态反馈控制器接近的舒适性能。然后，针对高速列车的舒适性和蛇行稳定性，我们通过动力性模型的频率特性分析，得出了同时提高舒适性和蛇行稳定性相矛盾的结论。在此基础上，我们在一次悬挂和二次悬挂上，都安装了主动减振器，再利用LQG方法，设计了基于观测器的输出反馈控制器，有效提高了舒适性和蛇行稳定性。另外，我们研发了基于内模的迭代学习控制器和重复学习控制器，该新型迭代学习和重复学习控制器，该新型迭代学习和重复学习控制器可充分考虑高速列车从起点到终点的往复运行特性，进而提高高速列车半主动悬架中磁流变阻尼器的实时控制性能。最后，针对新能源列车中大规模锂离子电池的剩余电量（SOC）估计问题，我们提出了基于面向分数阶的自适应扩展卡尔曼滤波器、基于迭代学习辨识、基于发条循环神经网络以及门控循环神经网络的状态估计方法，极大地提高了车载电池SOC的估计精度。