徐濱全　王元東　宋程

摘? 要：文章首先建立高速動車組重聯(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延，基于BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的方法對網(wǎng)絡(luò)控制系統(tǒng)未來的輸出進(jìn)行預(yù)測。然后提出一種快速隱式廣義預(yù)測控制算法（IGPC）對預(yù)測的時延進(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)測控制（Generalized Predictive Control，GPC）算法與動態(tài)矩陣控制律（DMC）的等價性，直接求解最優(yōu)控制律。IGPC算法比GPC算法的計算量更小且效率更高，既能節(jié)省時間成本又能保證高速動車組網(wǎng)絡(luò)控制的實時性。最后將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的方法與IGPC、GPC結(jié)合起來，分別采用無時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的GPC算法、有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的GPC算法及有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的IGPC算法進(jìn)行實驗仿真，實驗結(jié)果表明：相比較于其它兩種算法，有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的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間最短且超調(diào)量也最小。故有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的IGPC算法為最優(yōu)算法。

關(guān)鍵詞：高速動車組;BP神經(jīng)網(wǎng)絡(luò);IGPC算法;GPC算法;時延

中圖分類號：TP183? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號：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，我國高速動車組重聯(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且作為動車組之間互聯(lián)、互通和互操作的關(guān)鍵設(shè)備，有助于實現(xiàn)不同型號動車組間重聯(lián)控制[1]。但重聯(lián)控制網(wǎng)絡(luò)的引入會產(chǎn)生網(wǎng)絡(luò)傳輸時延，導(dǎo)致控制指令不能及時送達(dá)重聯(lián)列車的受控設(shè)備且受控設(shè)備的狀態(tài)無法及時反饋，進(jìn)而影響列車的控制性能，甚至引起控制系統(tǒng)的不穩(wěn)定。針對高速動車組網(wǎng)絡(luò)控制系統(tǒng)（Networked Control Systems，NCS）的時延問題。本文以基于UIC網(wǎng)關(guān)的重聯(lián)動車組過程數(shù)據(jù)傳輸網(wǎng)絡(luò)時延為研究對象，利用BP神經(jīng)網(wǎng)絡(luò)與歷史數(shù)據(jù)對NCS前向與反向通道的時延進(jìn)行在線預(yù)測，并通過改進(jìn)GPC算法，提出一種IGPC算法來補(bǔ)償網(wǎng)絡(luò)時延的影響。

2 高速動車組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)模型

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

（1）NCS中的各節(jié)點的時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）傳感器采用時鐘驅(qū)動方式，控制器、執(zhí)行器采用事件驅(qū)動方式。

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

6 實驗與結(jié)果分析

6.1 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的建立與訓(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)，對高速動車組的制動模型進(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BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。創(chuàng)建一個三層的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)。對不同數(shù)量的神經(jīng)元進(jìn)行測試，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，通過上面的模型可得500個數(shù)據(jù)，450個數(shù)據(jù)作為訓(xùn)練集，50個數(shù)據(jù)作為測試集，測試的參數(shù)為：運行時間的最大值、實際輸出與期望輸出之間的誤差及單次數(shù)據(jù)處理所需要的時間。實驗結(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)的處理速度也會變慢?？紤]到在高速動車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)練步長取1000，學(xué)習(xí)速率取1/10。

6.2 高速動車組重聯(lián)網(wǎng)絡(luò)控制系統(tǒng)仿真

為驗證有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的IGPC算法的有效性，考慮高速動車組控制中常用的恒定值控制方法，取二階系統(tǒng)進(jìn)行實驗且二階系統(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。實驗結(jié)果如圖2與3所示。由圖2可知，無時延補(bǔ)償時，在跟蹤標(biāo)準(zhǔn)參考方波的過程中，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的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)加入時延補(bǔ)償時，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的GPC控制方法可較好地跟蹤標(biāo)準(zhǔn)參考方波且波動較小，故有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的GPC控制方法優(yōu)于無時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的GPC控制方法。由圖3可知，在有時延補(bǔ)償?shù)那闆r下，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的IGPC控制方法僅在初始階段出現(xiàn)一個極短的震蕩，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，但在初始階段會出現(xiàn)一個較長的震蕩且超調(diào)量較大。故有時延補(bǔ)償基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的IGPC控制方法優(yōu)于其它兩種方法。

7 結(jié)束語

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的方法與IGPC算法結(jié)合起來，然后考慮系統(tǒng)的時延問題，IGPC算法可通過滾動優(yōu)化及不斷地在線辨識，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)時間短，超調(diào)量小，保證了高速動車組網(wǎng)絡(luò)控制的實時性。

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型動車組列車網(wǎng)絡(luò)控制系統(tǒng)的比較[J].鐵道車輛，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)信息融合的汽車載重測量方案[J].機(jī)械設(shè)計與制造，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.