基于高速動(dòng)車(chē)組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)時(shí)延的研究

徐濱全　王元東　宋程

摘? 要：文章首先建立高速動(dòng)車(chē)組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)模型并分析前向通道與反向通道時(shí)延，基于BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)的方法對(duì)網(wǎng)絡(luò)控制系統(tǒng)未來(lái)的輸出進(jìn)行預(yù)測(cè)。然后提出一種快速隱式廣義預(yù)測(cè)控制算法（IGPC）對(duì)預(yù)測(cè)的時(shí)延進(jìn)行補(bǔ)償，IGPC算法的原理是根據(jù)系統(tǒng)輸入與輸出數(shù)據(jù)，并利用廣義預(yù)測(cè)控制（Generalized Predictive Control，GPC）算法與動(dòng)態(tài)矩陣控制律（DMC）的等價(jià)性，直接求解最優(yōu)控制律。IGPC算法比GPC算法的計(jì)算量更小且效率更高，既能節(jié)省時(shí)間成本又能保證高速動(dòng)車(chē)組網(wǎng)絡(luò)控制的實(shí)時(shí)性。最后將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)的方法與IGPC、GPC結(jié)合起來(lái)，分別采用無(wú)時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC算法、有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC算法及有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC算法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明：相比較于其它兩種算法，有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC算法可較好地跟蹤標(biāo)準(zhǔn)參考方波，在初始階段的震蕩時(shí)間最短且超調(diào)量也最小。故有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC算法為最優(yōu)算法。

關(guān)鍵詞：高速動(dòng)車(chē)組;BP神經(jīng)網(wǎng)絡(luò);IGPC算法;GPC算法;時(shí)延

中圖分類(lèi)號(hào)：TP183? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）23-0021-04

Abstract： In this paper， the reconnection network control system model of high-speed emu is firstly established and the time delay of forward channel and reverse channel is analyzed. The future output of the network control system is predicted based on the method of BP neural network recursion prediction. Then， a fast implicit generalized predictive control（IGPC） algorithm is proposed tocompensate the time delay of prediction. The principle of IGPC algorithm is based on the input and output data of the system， and the equivalence between generalized predictive control（GPC） algorithm and dynamic matrix control（DMC） law is used to directly solve the optimal control law. Compared with GPC algorithm， IGPC algorithm has less computation and higher efficiency， which can not only save the time cost but also guarantee the real-time performance of high-speed EMU network control. Finally， the recursive prediction method of BP neural network is combined with IGPC and GPC， and the experimental simulations are carried out by using GPC algorithm without delay compensation based on BP neural network prediction， GPC algorithm based on BP neural network prediction and IGPC algorithm based on BP neural network prediction. The experimental results show that compared with other two algorithms， a time delay compensation based on BP neural network prediction algorithm of IGPC can better tracking reference standard square wave， in the initial stage of the shortest time and overshoot volume is the smallest. Therefore， the IGPC algorithm based on BP neural network is the optimal one.

Keywords： high-speed EMU; BP neural network; IGPC algorithm; GPC algorithm; time delay

1 概述

當(dāng)前，我國(guó)高速動(dòng)車(chē)組重聯(lián)控制網(wǎng)絡(luò)主要有ARCNET和TCN，應(yīng)用最廣泛的網(wǎng)絡(luò)是TCN，UIC網(wǎng)關(guān)的基礎(chǔ)是TCN且作為動(dòng)車(chē)組之間互聯(lián)、互通和互操作的關(guān)鍵設(shè)備，有助于實(shí)現(xiàn)不同型號(hào)動(dòng)車(chē)組間重聯(lián)控制[1]。但重聯(lián)控制網(wǎng)絡(luò)的引入會(huì)產(chǎn)生網(wǎng)絡(luò)傳輸時(shí)延，導(dǎo)致控制指令不能及時(shí)送達(dá)重聯(lián)列車(chē)的受控設(shè)備且受控設(shè)備的狀態(tài)無(wú)法及時(shí)反饋，進(jìn)而影響列車(chē)的控制性能，甚至引起控制系統(tǒng)的不穩(wěn)定。針對(duì)高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)（Networked Control Systems，NCS）的時(shí)延問(wèn)題。本文以基于UIC網(wǎng)關(guān)的重聯(lián)動(dòng)車(chē)組過(guò)程數(shù)據(jù)傳輸網(wǎng)絡(luò)時(shí)延為研究對(duì)象，利用BP神經(jīng)網(wǎng)絡(luò)與歷史數(shù)據(jù)對(duì)NCS前向與反向通道的時(shí)延進(jìn)行在線預(yù)測(cè)，并通過(guò)改進(jìn)GPC算法，提出一種IGPC算法來(lái)補(bǔ)償網(wǎng)絡(luò)時(shí)延的影響。

2 高速動(dòng)車(chē)組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)模型

利用兩個(gè)MVB設(shè)備與兩個(gè)UIC網(wǎng)關(guān)創(chuàng)建高速動(dòng)車(chē)組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)的簡(jiǎn)化模型，如圖1所示，并作如下假設(shè)：

（1）NCS中的各節(jié)點(diǎn)的時(shí)鐘均同步且控制回路中傳輸?shù)臄?shù)據(jù)均采用單包傳輸。

（2）傳感器采用時(shí)鐘驅(qū)動(dòng)方式，控制器、執(zhí)行器采用事件驅(qū)動(dòng)方式。

（3）網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)均帶有時(shí)間戳。

6 實(shí)驗(yàn)與結(jié)果分析

6.1 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)的建立與訓(xùn)練

本文所用的軟件為MATLAB，將BP神經(jīng)網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，對(duì)高速動(dòng)車(chē)組的制動(dòng)模型進(jìn)行數(shù)據(jù)采集并制成數(shù)據(jù)集，用所得數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。創(chuàng)建一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)，隱含層的激活函數(shù)為tansig函數(shù)，輸出層的函數(shù)為purelin函數(shù)。對(duì)不同數(shù)量的神經(jīng)元進(jìn)行測(cè)試，精度取1/1000，把隱含層神經(jīng)元的數(shù)量分別設(shè)置為10、30、50、100，通過(guò)上面的模型可得500個(gè)數(shù)據(jù)，450個(gè)數(shù)據(jù)作為訓(xùn)練集，50個(gè)數(shù)據(jù)作為測(cè)試集，測(cè)試的參數(shù)為：運(yùn)行時(shí)間的最大值、實(shí)際輸出與期望輸出之間的誤差及單次數(shù)據(jù)處理所需要的時(shí)間。實(shí)驗(yàn)結(jié)果如表1所示。

一般地隱含層神經(jīng)元數(shù)量越多，誤差越小。但BP神經(jīng)網(wǎng)絡(luò)的處理速度也會(huì)變慢。考慮到在高速動(dòng)車(chē)組上采樣周期一般為64ms，由表1可知：隱含層神經(jīng)元數(shù)量取50最合適。根據(jù)不同工作區(qū)間再分別取100組數(shù)據(jù)，共采集數(shù)據(jù)500組，測(cè)試集包含50組數(shù)據(jù)，訓(xùn)練集包含450組數(shù)據(jù)。性能指標(biāo)取1/1000，訓(xùn)練步長(zhǎng)取1000，學(xué)習(xí)速率取1/10。

6.2 高速動(dòng)車(chē)組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)仿真

為驗(yàn)證有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC算法的有效性，考慮高速動(dòng)車(chē)組控制中常用的恒定值控制方法，取二階系統(tǒng)進(jìn)行實(shí)驗(yàn)且二階系統(tǒng)的方程如下：

其中Ts=0.1s，N1=6，？姿j=0.8，？濁=1;二階系統(tǒng)的初值gN-1=1，f（k+N）=1，P0=105I，其它初值均取零。實(shí)驗(yàn)結(jié)果如圖2與3所示。由圖2可知，無(wú)時(shí)延補(bǔ)償時(shí)，在跟蹤標(biāo)準(zhǔn)參考方波的過(guò)程中，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC控制方法，不能穩(wěn)定地跟蹤標(biāo)準(zhǔn)參考方波且存在較大的誤差，控制系統(tǒng)的控制效果不理想。當(dāng)加入時(shí)延補(bǔ)償時(shí)，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC控制方法可較好地跟蹤標(biāo)準(zhǔn)參考方波且波動(dòng)較小，故有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC控制方法優(yōu)于無(wú)時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC控制方法。由圖3可知，在有時(shí)延補(bǔ)償?shù)那闆r下，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC控制方法僅在初始階段出現(xiàn)一個(gè)極短的震蕩，之后便可有效地跟蹤標(biāo)準(zhǔn)參考方波且超調(diào)量非常小?；贐P神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GPC控制方法雖也可跟蹤標(biāo)準(zhǔn)參考方波，但在初始階段會(huì)出現(xiàn)一個(gè)較長(zhǎng)的震蕩且超調(diào)量較大。故有時(shí)延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的IGPC控制方法優(yōu)于其它兩種方法。

7 結(jié)束語(yǔ)

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)的方法與IGPC算法結(jié)合起來(lái)，然后考慮系統(tǒng)的時(shí)延問(wèn)題，IGPC算法可通過(guò)滾動(dòng)優(yōu)化及不斷地在線辨識(shí)，有效地克服了模型失配造成的不利影響，使系統(tǒng)輸出能夠較好地跟蹤控制輸入?yún)⒖架壽E且系統(tǒng)響應(yīng)時(shí)間短，超調(diào)量小，保證了高速動(dòng)車(chē)組網(wǎng)絡(luò)控制的實(shí)時(shí)性。

參考文獻(xiàn)：

[1]Lee K C， Lee S， Lee M H. Remote fuzzy logic control ofnetworked control system via profibus-DP[J]. IEEETransactions on Industrial Electronics， 2003，50（4）：784-792.

[2]沙淼，王偉，徐建波.CRH5型和CRH3型動(dòng)車(chē)組列車(chē)網(wǎng)絡(luò)控制系統(tǒng)的比較[J].鐵道車(chē)輛，2012，50（1）：25.

[3]IEEE Std 802.3，Part 3：Carrier Sense Multiple Access WithCol

lision Detection（CSMA/CD） Access Method and PhysicalLayer Specifications[S].USA：The Institute of Electrical and Electronics Engineers Inc，2000.

[4]趙桂清.BP神經(jīng)網(wǎng)絡(luò)信息融合的汽車(chē)載重測(cè)量方案[J].機(jī)械設(shè)計(jì)與制造，2017（12）：140-143.

[5]Aziz M， Raouf B， Riad N，et al. The Use of Ethernet for SingleOn-board Train Network[C]// Networking， Sensing and Control.Sanya：IEEE International Conference，2008：1430-1434.