基于周期自适应学习的中低速磁悬浮列车运行控制方法
磁悬浮列车是一种利用电磁力实现悬浮、导向与驱动的新型轨道交通工具，有望成为21世纪的主要交通方式之一。与传统轮轨列车相比，磁悬浮列车具有振动小、运行噪音低、转弯半径小、抗风化能力强、寿命长等优点[1]。此外，由于采用非接触式运行方式，磁悬浮列车取代了轮轨交通的轮轨接触支撑结构，无附着力限制，爬坡能力更强。随着上海磁悬浮试验线、长沙机场快线和北京S1线的相继开通，磁悬浮交通的运行控制成为轨道交通理论研究领域的热点问题。
运行控制系统OCS(Operation Control System) 是保证磁浮列车正常运行的中枢系统，是磁浮列车运行控制的“大脑”和“神经系统”，主要作用是运行指挥和安全防护。运行控制算法是OCS的核心技术之一，然而目前的磁浮运行控制系统借鉴CBTC (Communication-Based Train Control System)系统，尚无成熟的运行控制算法。因此，研究磁悬浮列车运行控制算法，提高磁浮列车运行控制性能，具有重要的意义。
采用NSGA-II优化算法对混合储能设备的容量配比进行选型，首先要确定优化设备参数量。表 4和表 5分别是磷酸铁锂电池和超级电容的备选参数，遗传算法中优化变量的相关参数见表6。
文献[2-3]提出了不同的控制方法，有效地提高了轮轨列车的运行性能。文献[4]结合专家经验和梯度下降法，设计了一种基于在线调整方法的智能驾驶算法，提高了列车运行性能。文献[5]改进了传统的列车动力学模型，利用遗传算法修正不同运行条件下的阻力系数，通过将分数阶PID控制器引入列车运行控制，实现了更好的速度控制效果，提高了控制精度。为提高列车自动驾驶ATO(Automatic Train Operation)系统速度控制的精度与鲁棒性，文献[6]提出了一种基于模糊PID的ATO控制算法。针对列车停车阶段的重复性和涉及多目标的特性，文献[7]引入迭代学习控制ILC(Iterative Learning Control)，提高了列车停车精度与舒适度。以上均为基于轮轨交通系统的运行控制方法。然而，磁悬浮列车与传统轮轨列车的牵引方式不同，其运行控制方法存在较大差异，现有成熟的轮轨列车运行控制方法并不适用于磁悬浮列车。
近年来，研究学者们将ILC用于重复作业对象，利用先前迭代或周期信息不断修正当前迭代或者周期的控制器输出，随着迭代次数的增加，系统可以在有限时间内精确跟踪期望轨迹[8-10]。文献[11]提出了一种基函数型自适应迭代控制方法，提高了迭代学习控制下非最小相位系统的位置跟踪精度。文献[12]设计了一种约束自适应边界迭代学习控制律，解决了周期边界扰动下Euler-Bernoulli系统的振动控制和输入约束问题。在文献[13-15]中，针对具有周期扰动或具有周期性状态变量的控制系统，引入周期自适应学习控制(Periodic Adaptive Learning Control,PALC)，取得了较好的控制效果。文献[16]利用PALC算法补偿电机系统中状态相关的非Lipschitz周期扰动，实现了高精度的位置跟踪。文献[17]结合线性扰动观测器和周期自适应学习的优点，提出了一种周期学习扰动观测器，有效补偿了永磁同步直线电机中的非线性干扰。文献[18]针对永磁同步位置伺服系统中的周期性扰动补偿问题，设计了一种双高阶周期自适应学习补偿方法，提高了系统的位置跟踪性能。文献[19]利用PALC算法及饱和补偿器，实现了饱和输入非线性系统的高精度位置跟踪控制。
中低速磁悬浮列车运行速度较低(≤160 km/h)，主要阻力来源于涡流阻力和特殊线路段的线路附加阻力。由于线路的坡道和弯道是固定的，当列车在指定线路往返运行时，所受运行阻力具有周期性。通过分析列车动力学模型，本文将周期自适应学习引入列车运行控制，提出一种基于周期自适应学习的列车运行控制方法。控制器包括4个部分：PD控制模块、速度前馈模块、涡流阻力与空气阻力补偿模块和周期自适应线路附加阻力补偿模块。本文所提出的运行控制方法的核心是：利用PALC算法估计运行过程中的线路附加阻力，在控制器中加入相应的控制力(包括牵引力和制动力)，消除线路附加阻力对列车运行的影响，提高列车运行的性能。仿真结果验证了本文所提控制算法的有效性与鲁棒性。
1 中低速磁悬浮列车运行控制问题描述
根据牛顿运动定律,在磁悬浮列车运行过程中,列车所受合力满足[20]
ma=u-fair-feddy-fi-fr
(1)
式中：m为列车质量；a为列车加速度；u为列车牵引力或制动力；fair为列车运行过程中所受到的空气阻力；fi和fr分别为坡道附加阻力和弯道附加阻力；feddy为线路F轨与悬浮电磁铁间的涡流阻力。
列车运行过程中，所受空气阻力与列车车体的最大横截面积、阻力系数、空气密度以及列车速度有关，可表示为
(2)
式中：v为列车速度；N为列车编组车辆数。
悬浮系统的电磁铁芯由硅钢薄片叠压而成，其涡流效应可以忽略不计。涡流阻力主要来自于线路两侧的F轨与悬浮电磁铁之间的涡流效应，计算式为
人口老年化问题不仅仅是老年人口数量增多和比例提高的问题，带来的也不仅仅是老年人的民生保障问题，而是我国经济社会能否可持续发展的重大问题。人是社会发展的主体，人口年龄结构的老化，将会影响经济、政治、社会、文化、环境等诸多领域，关系到所有人的晚年生活和人民群众的根本利益。因此，积极应对人口老年化是全社会的责任，是一项带有全局性、综合性、系统性的任务。
feddy=N(0.1v0.5+0.02v0.7)
(3)
当磁悬浮列车经过坡道线路时,坡道附加阻力大小由坡道坡度决定，可表示为
fi=iNmgsgnφ
(4)
式中：i为坡道坡度的千分度；g为重力加速度。当sgnφ>0时，表示列车处于上坡状态，fi>0；当sgnφ<0时，表示列车处于下坡状态，fi<0。
此外，当列车运行于弯道线路时，所受的弯道附加阻力可表示为
(5)
式中：R为弯道线路曲线半径。
麻城隶属湖北省，是黄冈市下辖的县级市，位于长江中游北岸的大别山中段南麓，鄂豫皖三省交界处。麻城奇山秀水，花色似锦，“人间四月天，麻城看杜鹃”，杜鹃花海蔚为壮观，麻城同样也是革命老区，是红四方面军和红二十五军、红二十八军的发源地。
考虑如下的中低速磁悬浮列车动力学模型
(6)
(7)
式中：x(t)为列车位移；fres[x(t)]sgn[v(t)]是磁悬浮列车在运行过程中受到的线路附加阻力，包括弯道附加阻力与坡道附加阻力，不考虑管道附加阻力。
假设1 当列车的运行控制性能较高且沿固定线路往返运行时，列车的位置与速度均有相同且固定的周期Pt，且Pt可以准确获得，列车的位置与速度满足xd(t+iPt)=xd(t)，vd(t+iPt)=vd(t)，x(t+iPt)≈x(t)，v(t+iPt)≈v(t)，i∈Z+。
性质1 在列车运行过程中，所受线路附加阻力的大小与列车实际位置x有关。根据假设1，线路附加阻力fres满足:fres(t+iPt)≈fres(t)，i∈Z+。
治疗12个月后，观察组空腹血糖、餐后2 h血糖、糖化血红蛋白水平均低于对照组，血糖达标率高于对照组（P＜0.05）。 见表 2。
为了提高列车运行控制性能，利用列车运行和运行阻力共有的周期特性，本文提出一种基于周期自适应学习的列车运行控制方法。
2 周期自适应学习控制器设计
通常，列车在指定线路第一次往返运行时，驾驶员可以利用驾驶员控制台(Driver Control,DC)显示的线路信息(包括线路最高限速、列车当前速度等)和车辆状态，依据实际情况进行操作，实现手动驾驶。从列车第二次往返开始，利用前一周期的信息和PALC算法，估计运行过程中的线路附加阻力。
(1)实际的列控系统为复杂、多目标的非线性动力系统，为保证第一周期系统稳定，让有长期驾驶经验的司机驾驶，可以实时有效地控制列车满足多项要求[2]。
当前我国的城镇景观正发生着很大的变化。我国的许多城市已成为世界知名建筑大师、建筑事务所设计的试验场。各地比比皆是的“世界上最大的.....如昆明的新螺蛳湾是“世界上最大的小商品批发市场”等。但是我国城镇化带来的问题还不止这些，比如：城中村问题农村剩余劳动力的流动问题，过度城镇化带来的农村荒废问题等。
首先，假设xd、vd和
均有界。系统误差定义为
2015年，丙麻烟叶工作站邀请云南省烘烤总监亲临授课，全面推行走六步闯三关烘烤工艺，明确设定了烟叶变黄、定色、干筋的干球温度点，灵活设置调控湿球温度点，“看着烟叶烤，撵着烟叶跑”，以烟叶变黄和失水干燥的状态为目标，追求色形同步，科学解决山地烟和田烟部位、品种间的差异，烤出工业企业需求的“黄、亮、软”烟叶，降低烟农烘烤风险。
ex(t)=x(t)-xd(t)
(8)
(9)
e=ev(t)+λex(t)
(10)
式中：λ为待调节正参数;ex为位置误差；ev为速度误差。
(2)根据式(10)，误差传递函数
是稳定的，即对于所有λ>0，e和ex具有相同的收敛性。所以，可以通过设计控制器使e收敛到0或极小的数，即可实现高性能的位置与速度跟踪。
定义附加阻力
估计误差为
不是她，是我一个高中的男同学。李叔和说着又看看那些船。他们天天漂在海上，能挣到钱吗？他不愿意谈付玉，便故意岔开话题。
(11)
为了消除运行阻力对系统的影响，针对运行阻力中的未知参数fres(x)，结合自适应理论与列车运行的周期特性，本文设计了周期学习自适应控制器为
(12)
式中：α为待设计正参数。
所设计控制律的结构框图见图1。在式(12)中，控制器包含4部分：第1部分-mλev-mα(ev+λex)为线性控制器(即传统的PD控制器)，可以利用MATLAB工具箱等成熟的PD参数调节方法进行参数整定；第2部分速度前馈
用来改善瞬态响应，在一定程度上提高了列车位置跟踪能力；第3部分
为周期自适应补偿模块，实时估计线路附加阻力中的未知参数，补偿列车运行过程中所受附加阻力；第4部分feddy+fair补偿列车运行过程中所受的涡流阻力和空气阻力。
图1 PALC自适应控制律结构框图
从第2个周期开始,利用周期自适应更新律,开始学习未知参数fres为
(13)
式中：kres为待设计周期自适应增益；P(t)为列车运行周期。
为证明系统的稳定性，构造Lyapunov函数为
(14)
计算V(t)在周期区间[t-Pt，t]的差分为
(15)
为使计算过程清晰，令式(15)右边第一项为A，第二项为B，即
(16)
(17)
由式(7)和式(9)可知
一位同学要考博士，我问为什么，他说将来想待在大学里做教授，因为大学人际关系比较单纯。我告诉他基辛格说过的一句话：“大学里复杂的人际关系使得我神往中东局势的单纯。”
(18)
由式(10)和式(12),可得
(19)
将式(19)代入式(16)，A简化为
1) 紧急切断阀的阀体、阀座、阀内件、阀盖与填料的选用皆应符合API 607—2016《转1/4周阀门和非金属阀座阀门的耐火试验》或API 6FA—1999《阀门耐火试验规范》[7-8]。文献[7]一般用于旋转90°的阀门，如球阀、旋塞阀、蝶阀等，主要针对软阀座阀门的耐火试验；文献[8]是通用标准，可以用于硬密封阀门，设计中根据实际需要选择。
α(ev+λex)2]dτ
(20)
由列车运行的周期性和性质1，可得
(21)
式中：
将式(20)和式(21)代入式(15)，化简可得
ΔV=A+B=
(22)
代入自适应更新律式(13)，式(22)右边第二项等于0。因此，有
(23)
注意到
则ΔV≤0。根据Lyapunov稳定性定理可知，
有界，e和ex渐进稳定且收敛到0，表明中低速磁浮列车可在本文所提出的控制律与周期自适应学习更新律下稳定运行。
3 仿真验证
利用某中低速磁悬浮试验线数据进行仿真研究，通过与传统PID控制器的对比，验证所提出算法的优越性和有效性，试验线路见图2，试验线车辆参数见表1。
如玉豆腐坊的伙计负责抬棺，八人抬一副，几个长辈吹鼓的吹鼓，敲锣的敲锣倒也热闹。只是堂前少了女眷，最重要的哭丧只好从简了。
图2 中低速磁悬浮列车试验线路(单位：m)
表1 车辆与线路参数
参数数值列车编组数N/辆6(2端车,4中间车)单节车厢满载总质量/t62(端车)、 64.5(中间车)列车质量m/t382最大速度/(km·h-1)200最大加速度/(m·s-2)0.9重力加速度g/(m·s-2)9.8
3.1 参数调节
仿真时，PALC控制器和PID控制器的参数调节过程如下
Step1 线性参数调节。综合考虑系统快速性和平稳性，利用MATLAB工具箱整定PALC控制器和PID控制器参数，结果见表2。
古语云：士别三日，当刮目相看。用动态的、发展的眼光看待他人，克服定势效应带来的一些刻板印象，是处理人与人之间关系的重要方面。在思想政治教育中,要对教育对象进行现实分析，不要仅凭第一印象或老眼光来看待教育对象，用发展的眼光看待教育者。事物都是向前发展的，没有什么是永恒不变的，尤其是在教育过程中，不要用昨天的观点来对待今天的人，世界上没有两个完全相同的人，今天的他与昨天的他都有可能不一样，对教育对象的努力给予积极支持，肯定他们的前进。同时要培养教育对象的发展观，让教育对象认识到人不是一成不变的，要用发展的眼光来与周围的人相处，以此来避免一些对人对事的片面性。
表2 PALC和PID控制器的线性部分参数
控制器参数数值PALC λ,α200、5PID kP,kI,kD8.7×107、1.3、0.16
Step2 自适应参数调节。理论上，自适应参数可选择任意正数，数值越大，收敛速度越快，跟踪误差越小。然而，过大的参数会导致系统震荡甚至不稳定。因此，综合考虑系统的收敛速度、稳定性和跟踪误差，通过多次调节，选择使PALC控制器控制效果最佳的自适应参数为kres=2×1012。
1.5 资料收集 征得院科研专家伦理委员会的同意和骨科主任的同意，由课题组负责人对所有参与课题的人员进行培训，使之对测量工具统一认识，以降低测量偏差。取得患者知情同意后，运用测量工具分别收集手术减压后及减压后2 h的指标情况。收集工作由课题小组人员负责。
3.2 仿真验证
在仿真中，令初始状态为零，从第二个周期开始，利用周期自适应更新律，对线路附加阻力进行估计。设置仿真中列车单程运行距离1.58 km，最大加速度为0.9 m/s2，往返周期Pt=178 s，仿真步长T=10-5s。
设置的期望速度-位置曲线见图3，期望位置曲线xd、PID控制器和PALC控制器的位置跟踪轨迹见图4，PID控制器和PALC控制器的位置跟踪误差见图5。可以看出，由于存在线路附加阻力，PID控制器的最大位置跟踪误差为3.12 m。PALC控制器充分利用了列车往返运行过程中的周期信息，在16个迭代周期后，最大位置误差仅为0.03 m，从图5中可以看出，PALC控制器具有更好的位置跟踪性能。
图3 期望速度-位置曲线
图4 期望位置曲线及PALC控制器和PID控制器
的位置跟踪曲线
图5 PALC控制器和PID控制器的位置跟踪误差
PID控制器和PALC控制器的速度跟踪以及速度跟踪误差曲线分别见图6和图7，在不同线路的速度跟踪误差列于表3。从仿真结果可以看出，在平直线路，由于仅存在涡流阻力，PALC和PID控制下的速度跟踪性能差别不大。然而，在弯道线路与坡道线路，相对于PID控制器，由于PALC控制器补偿了线路阻力，其速度跟踪性能更好。另外，从图6可以看出，PALC控制下的列车速度跟踪曲线更加平滑，列车运行更加平稳，舒适性更好。
表3 不同线路区段的最大速度跟踪误差 m/s
控制器平直线路坡道线路弯道线路PALC5×10-42.70.08PID5.2×10-419.40.7
图6 PALC控制器和PID控制器的速度曲线
图7 PALC控制器和PID控制器的速度
跟踪误差
PALC算法估计的附加阻力和真实线路附加阻力见图8。可以看出，在16个迭代周期后，PALC控制器成功的估计了线路附加阻力。
航道和港口建设更加生态环保。珠航局始终将生态环保理念和要求贯穿于航道规划、建设、管理、养护的全过程，实施生态航道建设示范工程，改善航道区域生态环境质量，完成西江航运干线南宁至贵港2000吨级等生态航道配套工程项目；加快绿色港口建设，开展珠江水系港口码头“未批先建”专项整治检查，推动港口水平运输机械“油改电”“油改气”，加快高效节能的港口装卸机械和运输装备、先进环保的港口工艺的推广应用，降低港口生产能耗和污染物排放水平；加强港口作业扬尘管理，完成主要港口大型煤炭、矿石堆场防风抑尘设施建设和设备配备工作。
图8 实际附加阻力和PALC算法估计线路阻力
PID控制器和PALC控制器的控制输出曲线见图9。由图9可以看出，经过16个迭代周期，PALC控制器输出稳定。PALC控制器和PID控制器下列车在第17个运行周期内的能耗曲线见图10。由图10可以看出，与PID控制器相比，PALC控制器控制下的磁浮列车，不仅位置跟踪性能更优，而且能耗降低了0.2%。
图9 PALC控制器和PID控制器的输出
图10 第17个运行周期内的
列车运行能耗曲线
为了验证所提出算法的优越性，利用位置误差的ITAE指标，比较PALC控制器和PID控制器的位置跟踪性能，结果见图11。由图11可以看出，PALC算法消除了线路附加阻力对列车位置跟踪性能的影响。
图11 PALC控制器和PID
控制器的位置误差ITAE指标
为了进一步检验本文所提PALC算法的鲁棒性，在控制器参数不变的情况下，加入能量谱密度为1012的白噪声干扰。噪声干扰下的位置跟踪误差、速度跟踪误差、控制器输出以及线路附加阻力估计曲线见图12。从图12中可以看出，加入噪声干扰后，列车在PID控制器和PALC控制器下的最大位置跟踪误差分别为3.22、0.01 m，在不同线路区段最大速度误差跟踪见表4。对比无噪声干扰下的仿真结果，PID控制下的列车速度与位置跟踪性能明显变差，而PALC控制下的列车速度与位置跟踪性能下降很小，表明PALC控制器有较强的鲁棒性。
表4 噪声干扰下不同线路区段的最大速度
跟踪误差 m/s
控制器平直线路坡道线路弯道线路PALC0.131.330.11PID0.6619.980.93
图12 噪声干扰下PALC控制和PID控制的位置跟踪误差、
速度跟踪误差、控制器输出及线路附加阻力估计曲线
4 结论
针对中低速磁悬列车的位置控制问题，本文考虑列车在指定线路运行的周期特性，提出了基于周期自适应学习的运行控制算法，消除了运行阻力对列车运行过程的影响，提高了列车位置控制的性能。该控制方法包含4部分：PD部分保证系统满足基本控制要求，前馈部分改善了系统瞬态响应，周期自适应补偿部分实时估计线路附加阻力，空气阻力与涡流阻力补偿部分进一步提高了列车的位置跟踪性能。仿真结果表明：本文所提出的周期自适应运行控制方法能够有效提高中低速磁浮列车运行的位置控制精度，控制算法具有较强的鲁棒性，而且能耗更低。
参考文献：
[1] LEE H, KIM K, LEE J. Review of Maglev Train Technologies[J]. IEEE Transactions on Magnetics, 2006, 42(7): 1917-1925.
[2] 余进，何正友，钱清泉，等. 列车运行过程的自适应模糊控制[J]. 铁道学报， 2010, 32(4): 44-49.
YU Jin, HE Zhengyou, QIAN Qingquan, et al. Adaptive Fuzzy Control of Train Operation[J]. Journal of the China Railway Society, 2010, 32(4): 44-49.
[3] 李德仓，孟建军，胥如迅，等. 强风下高速列车滑膜自适应鲁棒H∞控制方法[J]. 铁道学报， 2018, 40(7): 67-73.
LI Decang, MENG Jianjun, XU Ruxun, et al. Sliding Mode Adaptive Robust H∞ Control Method for High-speed Train under Strong Wind Conditions[J]. Journal of the China Railway Society， 2018, 40(7): 67-73.
[4] 冷勇林，陈德旺，阴佳腾. 基于专家系统及在线调整的列车智能驾驶算法[J]. 铁道学报,2014, 36(2): 62-68.
LENG Yonglin, CHEN Dewang, YIN Jiateng. Algorithm Based on Expert System and Online Adjustment[J]. Journal of the China Railway Society, 2014, 36(2): 62-68.
[5] 张驰，谭南林，周挺，等. 基于分数阶PID控制器的地铁列车优化控制研究[J]. 铁道学报， 2018, 40(10): 8-14.
ZHANG Chi, TAN Nanlin, ZHOU Ting, et al. Research on Optimal Control of Subway Train Based on Fractional order PID Controller[J]. Journal of the China Railway Society， 2018, 40(10): 8-14.
[6] 刘浩，钱存元，施招东. 基于模糊自适应PID控制的ATO系统控制算法[J]. 城市轨道交通研究， 2017, 20(3): 40-45.
LIU Hao, QIAN Cunyuan, SHI Zhaodong. ATO System Control Algorithm Based on Fuzzy Adaptive PID[J]. Urban Mass Transit, 2017, 20(3): 40-45.
[7] 王呈，唐涛，罗仁士. 列车自动驾驶迭代学习控制研究[J]. 铁道学报， 2013, 35(3): 48-52.
WANG Cheng, TANG Tao, LUO Renshi. Study on Iterative Learning Control in Automatic Train Operation[J]. Journal of the China Railway Society， 2013, 35(3): 48-52.
[8] 严求真，孙明轩，李鹤. 任意初值非线性不确定系统的迭代学习控制[J]. 自动化学报， 2016, 42(4): 545-555.
YAN Qiuzhen, SUN Mingxuan, LI He. Iterative Learning Control for Nonlinear Uncertain Systems with Arbitrary Initial State[J]. Acta Automatica Sinica, 2016, 42(4): 545-555.
[9] 吕庆. 抑制初态误差影响的自适应迭代学习控制[J]. 自动化学报, 2015, 41(7): 1365-1372.
LÜ Qing. Adaptive Iterative Learning Control for Inhibition Efiect of Initial State Random Error[J]. Acta Automatica Sinica, 2015, 41(7): 1365-1372.
[10] ZHU Q, XU J, HUANG D, et al. Iterative Learning Control Design for Linear Discrete-time Systems with Multiple High-order Internal Models[J]. Automatica, 2015, 62: 65-76.
[11] 张黎，刘山. 非最小相位系统的基函数型自适应迭代学习控制[J]. 自动化学报, 2014, 40(12): 2716-2725.
ZHANG Li, LIU Shan. Basis Function Based Adaptive Iterative Learning Control for Non-minimum Phase Systems[J]. Acta Automatica Sinica, 2014, 40(12): 2716-2725.
[12] HE W, MENG T, HUANG D, et al. Adaptive Boundary Iterative Learning Control for an Euler-Bernoulli Beam System With Input Constraint[J]. IEEE Transactions on Neural Networks and Learning Systems,2018, 29(5): 1539-1549.
[13] 陈为胜，王元亮，李俊民. 周期时变时滞非线性参数化系统的自适应学习控制[J]. 自动化学报， 2008, 34(12): 1556-1560.
CHEN Weisheng, WANG Yuanliang, LI Junmin. Adaptive Learning Control for Nonlinearly Parameterized Systems with Periodically Time-varying Delays[J]. Acta Automatica Sinica, 2008, 34(12): 1556-1560.
[14] 孙云平，刘赟，李俊民. 一类二阶时变非线性系统的混合自适应重复学习控制[J]. 西安电子科技大学学报,2006(3): 495-499.
SUN Yunping, LIU Yun, LI Junmin. Adaptive Repetitive Learning Control for a Class of Second Order Nonlinear Time-varying Systems with Mixed Parameters[J]. Journal of Xidian University, 2006(3): 495-499.
[15] 霰学会，陶洪峰，杨慧中. 非线性时滞系统的周期自适应学习跟踪控制[J]. 控制工程,2013, 20(1): 22-25.
XIAN Xuehui, TAO Hongfeng, YANG Huizhong. Cyclical Adaptive Iterative Learning Tracking Control for a Class of Nonlinear Time-delay Systems[J]. Control Engineering of China, 2013, 20(1): 22-25.
[16] AHN H, CHEN Y. State-dependent Friction Force Compensation Using Periodic Adaptive Learning Control[J]. Mechatronics, 2009, 19(6): 896-904.
[17] CHO K, NAM K. Periodic Learning Disturbance Observer Based Precision Motion Control in PMLSM Motion Systems Considering Long-term Instability Problem[J]. International Journal of Precision Engineering and Manufacturing,2016, 17(9): 1101-1112.
[18] LUO Y, CHEN Y, PI Y. Cogging Effect Minimization in Pmsm Position Servo System Using Dual High-order Periodic Adaptive Learning Compensation[J]. ISA Transactions, 2010, 49(4): 479-488.
[19] 陶洪峰，霰学会，杨慧中. 输入饱和非线性系统的周期自适应补偿学习控制[J]. 自动化学报,2014，40(9): 1998-2004.
TAO Hongfeng, XIAN Xuehui, YANG Huizhong. Periodic Adaptive Compensating Learning Control of Nonlinear Systems with Saturated Input[J]. Acta Automatica Sinica, 2014，40(9): 1998-2004.
[20] ZHANG W, WEI W, YANG Y, et al. An Operation Control Strategy for the Connected Maglev Trains Based on Vehicle-Borne Battery Condition Monitoring[J]. Wireless Communications & Mobile Computing, 2018, 2018(4): 1-10.