迭代学习控制在处理重复运动系统的跟踪问题时,理论上可以完全消除系统的重复性误差,实现对期望曲线的完全跟踪。然而,在系统实际运行中,非严格重复性误差不可避免地客观存在,具体表现在时变外部扰动、初态扰动、输入受限、状态受限等情况,传统的迭代学习控制无法对这些非重复性扰动产生及时的响应。随着迭代次数的增加,系统跟踪误差不断累加,当系统误差累加到一定程度时,会使系统的瞬时输出过大,导致系统失稳,最终影响系统的控制性能。因此,本论文针对上述迭代学习控制研究中出现的问题,以高速列车自动驾驶系统为对象,设计合理的控制律,使列车在运行过程中能够学习有效的重复信息,用于提高列车对期望曲线的跟踪精度。本论文的主要工作和创新点总结如下:一、研究了高速列车运行过程中受到时变外部随机扰动的自适应迭代学习控制问题。将对列车阻力参数模型的研究分为参数化模型和非参数化模型两种情况。对于阻力模型参数化处理中,应用迭代域的递推最小二乘法对阻力模型参数进行辨识;对于阻力模型非参数化处理中,利用基于模糊推理的径向基神经网络算法对阻力参数进行逼近,并利用滑模控制对模型逼近误差、系统扰动项进行补偿。通过在迭代域和时间域设计参数更新律,基于Lyapunov函数构造复合能量函数,证明系统的跟踪误差沿迭代轴是渐进收敛的。当系统存在非重复性的随机扰动时,跟踪误差最终会收敛到零的很小的邻域内,最后通过仿真分析和实验测试验证了所提出算法的有效性。二、研究了高速列车运行过程中受到受限状态的自适应迭代学习控制问题。首先针对系统初态一致性情况下的受限系统控制问题进行研究,接着在此基础上考虑系统的初态扰动和外部时变扰动的状况,通过引入饱和函数对系统输入和系统状态上界进行约束,以及时变边界层函数对系统随机初态进行处理,基于Lyapunov函数设计自适应迭代学习控制律和参数更新律。通过严格的理论推导证明了跟踪误差在上述两种情况下所提出算法于迭代域上的渐进收敛性,并通过仿真和实验测试验证了算法的有效性。三、研究了高速列车运行过程中误差非一致状况下的自适应迭代学习控制问题。首先根据列车动力学模型建立期望误差动力学模型,在充分考虑列车运行过程中等效质量时变的情况,利用系统跟踪误差对非参数不确定模型进行逼近。通过预设一个时间点,使得系统跟踪误差在预设时间点内收敛到一个允许的可调域内。随后,设计鲁棒迭代学习控制器,并基于Lyapunov函数构造复合能量函数,通过严格的数学证明,证明了系统能够随迭代域对期望误差曲线实现渐进跟踪,提高了系统对于初态扰动影响下的控制性能,并通过仿真和实验测试验证了算法的有效性。