电磁悬浮（Electromagnetic suspension，EMS）型磁浮列车依靠悬浮电磁铁和轨道之间的电磁吸引力克服重力，从而实现悬浮运行。因此，悬浮系统是列车运行的关键，直接关系到列车的稳定性、安全性和运行效率。然而，EMS型磁浮列车的电磁悬浮系统具有固有的不稳定性，需要实时控制以保持稳定悬浮。不仅如此，列车在高速运行时的工况极为复杂，受气动载荷、轨道激扰、负载波动等多种因素影响。尤其当列车会车或通过隧道时，还会受到及其明显的气动冲击作用。过大的气动冲击会导致悬浮控制变得更加困难，进而降低列车的平稳性和舒适性。而控制算法是决定列车动力学性能的关键，因此，为了实现列车在高速运行时的稳定悬浮，必须重点关注悬浮控制算法的研究。
面向强气动载荷及冲击等外部扰动，本研究首先对磁浮列车悬浮系统的反馈控制算法进行了优化。然后，针对反馈控制滞后性的不足，构建了列车动力响应预测模型，并据此发展了能够在列车发生大幅波动之前进行干预的预测控制算法。主要研究内容如下：
（1）本研究创建了磁浮列车联合仿真模型，并据此进行了气动荷载下列车的动力响应分析。首先，分别对磁浮列车的动力学模型、悬浮控制系统进行建模，建立了气动荷载下磁浮列车多体动力学与悬浮控制联合仿真模型。然后，利用遗传算法优化比例-积分-微分（Proportional-integral-differential，PID）算法的增益参数，并利用联合仿真模型进行PID控制算法下列车的动态响应分析，从而为后续控制算法的研究提供基础。
（2）本研究对磁浮列车悬浮系统的反馈控制算法进行了优化。首先，将自抗扰控制算法（Active disturbance rejection control，ADRC）引入悬浮系统中，并结合反向传播（Back propagation，BP）神经网络对其进行优化，使算法能够根据系统变化自适应地调整控制律的增益参数，从而提出了一种基于BP神经网络的ADRC算法。然后，设计了基于滑模技术的控制算法，并利用一系悬挂的变形来替代电磁铁所受到的气动载荷作用。之后，利用联合仿真模型对控制算法的有效性进行了验证。结果表明，一般情况下，经过优化后的反馈控制算法在抑制列车悬浮波动时均能表现出较好的控制效果。然而，当列车受到较强气动冲击导致悬浮间隙波动较大时，算法对磁浮列车悬浮间隙波动的抑制效果并不明显。
（3）利用机器学习建立了磁浮列车动力响应非线性预测模型。通过机器学习，从磁浮列车动力响应数据中识别出系统的行为模态，从而建立了列车动力响应的神经网络预测模型。该预测模型能够根据列车已知的悬浮间隙和控制量，在线滚动地预测未来时刻的悬浮间隙。
（4）提出了一种前馈与反馈叠加的预测控制算法。首先，基于磁浮列车动力响应预测模型设计前馈控制算法，该算法通过列车状态的预测值与目标值的偏差对电磁铁电流进行前馈补偿控制。然后，将前馈控制算法施加到传统反馈控制器中，在列车发生较大悬浮波动前提前干预，从而避免列车在受到冲击载荷时发生大幅波动。最后，利用磁浮列车联合仿真模型和磁浮车辆车-轨耦合振动实验平台，对前馈算法的控制效果进行测试。结果表明，将前馈控制算法集成到反馈控制器中，能够有效的抑制气动荷载作用下列车的悬浮波动，提高了控制器的控制能力。即使是在列车会车期间受到较强气动冲击时，该控制算法仍能有效抑制悬浮波动，确保悬浮系统的稳定性。
（5）在前馈控制算法的基础上，设计了模型预测控制（Model predictive control，MPC）算法。首先，利用反馈矫正对磁浮列车动力响应预测模型进行修正。然后，根据列车的悬浮目标和约束条件设计了非线性滚动优化控制器。该控制器能够在线求解有限时域的优化问题，从而计算出悬浮系统在每个时刻的最优控制量，将最优控制量应用于悬浮控制。此外，为了弥补预测模型可能的预测失效，本研究还在悬浮系统控制器中引入了与MPC算法并行的PID算法。仿真和实验结果表明，本研究提出的复合MPC算法可以有效地抑制电磁浮的悬浮波动，使悬浮系统实现更好的悬浮稳定效果。
综上所述，优化后的反馈控制算法能够在一定程度上提高悬浮系统的稳定性。然而，由于反馈控制从发现改变到采取措施之间存在着滞后，控制效果在列车受到较强气动冲击时有限。相比之下，MPC算法可以预估悬浮系统在一定的控制作用下的未来动态行为，并根据约束条件不断滚动向前求取最优控制，实现了实时在线的提前补偿，有助于提高列车的悬浮稳定性。