基于高速动车组重联网络控制系统时延的研究

来源:用户上传      作者:

　　摘  要：文章首先建立高速动车组重联网络控制系统模型并分析前向通道与反向通道时延，基于BP神经网络递推预测的方法对网络控制系统未来的输出进行预测。然后提出一种快速隐式广义预测控制算法（IGPC）对预测的时延进行补偿，IGPC算法的原理是根据系统输入与输出数据，并利用广义预测控制（Generalized Predictive Control，GPC）算法与动态矩阵控制律（DMC）的等价性，直接求解最优控制律。IGPC算法比GPC算法的计算量更小且效率更高，既能节省时间成本又能保证高速动车组网络控制的实时性。最后将BP神经网络递推预测的方法与IGPC、GPC结合起来，分别采用无时延补偿基于BP神经网络预测的GPC算法、有时延补偿基于BP神经网络预测的GPC算法及有时延补偿基于BP神经网络预测的IGPC算法进行实验仿真，实验结果表明：相比较于其它两种算法，有时延补偿基于BP神经网络预测的IGPC算法可较好地跟踪标准参考方波，在初始阶段的震荡时间最短且超调量也最小。故有时延补偿基于BP神经网络预测的IGPC算法为最优算法。
　　关键词：高速动车组;BP神经网络;IGPC算法;GPC算法;时延
　　中图分类号：TP183        文献标志码：A         文章编号：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
　　當前，我国高速动车组重联控制网络主要有ARCNET和TCN，应用最广泛的网络是TCN，UIC网关的基础是TCN且作为动车组之间互联、互通和互操作的关键设备，有助于实现不同型号动车组间重联控制[1]。但重联控制网络的引入会产生网络传输时延，导致控制指令不能及时送达重联列车的受控设备且受控设备的状态无法及时反馈，进而影响列车的控制性能，甚至引起控制系统的不稳定。针对高速动车组网络控制系统（Networked Control Systems，NCS）的时延问题。本文以基于UIC网关的重联动车组过程数据传输网络时延为研究对象，利用BP神经网络与历史数据对NCS前向与反向通道的时延进行在线预测，并通过改进GPC算法，提出一种IGPC算法来补偿网络时延的影响。 　　2 高速动车组重联网络控制系统模型
　　利用两个MVB设备与两个UIC网关创建高速动车组重联网络控制系统的简化模型，如图1所示，并作如下假设：
　　（1）NCS中的各节点的时钟均同步且控制回路中传输的数据均采用单包传输。
　　（2）传感器采用时钟驱动方式，控制器、执行器采用事件驱动方式。
　　（3）网络上传输的数据均带有时间戳。
　　6 实验与结果分析
　　6.1 BP神经网络递推预测的建立与训练
　　本文所用的软件为MATLAB，将BP神经网络作为基本网络，对高速动车组的制动模型进行数据采集并制成数据集，用所得数据集对BP神经网络进行训练。创建一个三层的BP神经网络，隐含层的激活函数为tansig函数，输出层的函数为purelin函数。对不同數量的神经元进行测试，精度取1/1000，把隐含层神经元的数量分别设置为10、30、50、100，通过上面的模型可得500个数据，450个数据作为训练集，50个数据作为测试集，测试的参数为：运行时间的最大值、实际输出与期望输出之间的误差及单次数据处理所需要的时间。实验结果如表1所示。
　　一般地隐含层神经元数量越多，误差越小。但BP神经网络的处理速度也会变慢。考虑到在高速动车组上采样周期一般为64ms，由表1可知：隐含层神经元数量取50最合适。根据不同工作区间再分别取100组数据，共采集数据500组，测试集包含50组数据，训练集包含450组数据。性能指标取1/1000，训练步长取1000，学习速率取1/10。
　　6.2 高速动车组重联网络控制系统仿真
　　为验证有时延补偿基于BP神经网络预测的IGPC算法的有效性，考虑高速动车组控制中常用的恒定值控制方法，取二阶系统进行实验且二阶系统的方程如下：
　　其中Ts=0.1s，N1=6，？姿j=0.8，？浊=1;二阶系统的初值gN-1=1，f（k+N）=1，P0=105I，其它初值均取零。实验结果如图2与3所示。由图2可知，无时延补偿时，在跟踪标准参考方波的过程中，基于BP神经网络预测的GPC控制方法，不能稳定地跟踪标准参考方波且存在较大的误差，控制系统的控制效果不理想。当加入时延补偿时，基于BP神经网络预测的GPC控制方法可较好地跟踪标准参考方波且波动较小，故有时延补偿基于BP神经网络预测的GPC控制方法优于无时延补偿基于BP神经网络预测的GPC控制方法。由图3可知，在有时延补偿的情况下，基于BP神经网络预测的IGPC控制方法仅在初始阶段出现一个极短的震荡，之后便可有效地跟踪标准参考方波且超调量非常小。基于BP神经网络预测的GPC控制方法虽也可跟踪标准参考方波，但在初始阶段会出现一个较长的震荡且超调量较大。故有时延补偿基于BP神经网络预测的IGPC控制方法优于其它两种方法。
　　7 结束语
　　本文将BP神经网络递推预测的方法与IGPC算法结合起来，然后考虑系统的时延问题，IGPC算法可通过滚动优化及不断地在线辨识，有效地克服了模型失配造成的不利影响，使系统输出能够较好地跟踪控制输入参考轨迹且系统响应时间短，超调量小，保证了高速动车组网络控制的实时性。
　　参考文献：
　　[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，王伟，徐建波.CRH5型和CRH3型动车组列车网络控制系统的比较[J].铁道车辆，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]赵桂清.BP神经网络信息融合的汽车载重测量方案[J].机械设计与制造，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.
转载注明来源:https://www.xzbu.com/1/view-15292689.htm