基于BP神經(jīng)網(wǎng)絡(luò)的高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)時(shí)延研究

宋程 王元東 徐濱全

摘? 要：當(dāng)前，高速動(dòng)車(chē)組的控制系統(tǒng)迅速向網(wǎng)絡(luò)化與智能化方向發(fā)展，網(wǎng)絡(luò)控制系統(tǒng)已被大規(guī)模地應(yīng)用于高速動(dòng)車(chē)組的控制系統(tǒng)之中，網(wǎng)絡(luò)控制系統(tǒng)可實(shí)時(shí)地傳輸高速動(dòng)車(chē)組中各個(gè)設(shè)備的數(shù)據(jù)并監(jiān)控高速動(dòng)車(chē)組的運(yùn)行狀態(tài)，以保證高速動(dòng)車(chē)組安全地運(yùn)行。但高速動(dòng)車(chē)組的通信網(wǎng)絡(luò)控制端口和變量數(shù)目非常多且各端口的長(zhǎng)度與特征周期也各異。故高速動(dòng)車(chē)組的網(wǎng)絡(luò)控制系統(tǒng)在輸出數(shù)據(jù)的時(shí)候，不可避免地出現(xiàn)網(wǎng)絡(luò)時(shí)延現(xiàn)象，該現(xiàn)象嚴(yán)重地威脅著高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)的實(shí)時(shí)性和穩(wěn)定性。由于高速動(dòng)車(chē)組的網(wǎng)絡(luò)控制系統(tǒng)是一種非線(xiàn)性系統(tǒng)，故文章針對(duì)帶有時(shí)延問(wèn)題的高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)，提出一種有效的優(yōu)化方法，即將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)與廣義預(yù)測(cè)控制結(jié)合起來(lái)，先根據(jù)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)，然后利用遞推最小二乘法對(duì)網(wǎng)絡(luò)控制系統(tǒng)未來(lái)時(shí)刻的系統(tǒng)參數(shù)進(jìn)行辨識(shí)，將非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)在每一時(shí)刻進(jìn)行線(xiàn)性化處理，最后由廣義預(yù)測(cè)控制算法補(bǔ)償非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延且對(duì)所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明：該方法可有效地消除高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延，同時(shí)具有實(shí)時(shí)性高、計(jì)算速度快及魯棒性強(qiáng)等優(yōu)點(diǎn)，顯著地優(yōu)化了帶有時(shí)延問(wèn)題的高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);廣義預(yù)測(cè)控制;遞推最小二乘法;高速動(dòng)車(chē)組;網(wǎng)絡(luò)時(shí)延

中圖分類(lèi)號(hào)：TP39 ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）09-0001-05

Abstract： At present， the control system of high-speed EMU is rapidly developing in the direction of networking and intelligence， and the network control system has been widely used in the control system of high-speed EMU. The network control system can transmit the data of each equipment in the high-speed EMU in real time and monitor the running status of the high-speed EMU， so as to ensure the safe operation of the high-speed EMU. However， the communication network control ports and variables of high-speed EMU are very large， and the length and characteristic period of each port are also different. Therefore， when the networked control system of high-speed EMU outputs data， the phenomenon of network delay is inevitable， which seriously threatens the real-time performance and stability of the networked control system of high-speed EMU. Because the networked control system of high-speed EMU is a kind of nonlinear system， this paper proposes an effective optimization method for the nonlinear networked control system of high-speed EMU with time delay， that is， combining BP neural network recursive prediction with generalized predictive control， firstly， the future output of networked control system is predicted according to the recursive prediction method of BP neural network. Then the recursive least square method is used to identify the system parameters of the networked control system in the future， and the nonlinear networked control system is linearized at every moment. Finally， the time delay of the nonlinear networked control system is compensated by the generalized predictive control algorithm， and the experimental simulation of the proposed method is carried out. The experimental results show that this method can effectively eliminate the time delay of the networked control system of high-speed EMU. At the same time， it has the advantages of high real-time performance， fast computing speed and strong robustness， which significantly optimizes the nonlinear networked control system of high-speed EMU with time delay.

Keywords： BP neural network; generalized predictive control; recursive least square method; high-speed EMU; network delay

1 概述

隨著中國(guó)高速鐵路的快速發(fā)展，高速動(dòng)車(chē)組網(wǎng)絡(luò)控制技術(shù)有了巨大的突破。雖然傳統(tǒng)的控制系統(tǒng)已在工業(yè)上得到了廣泛地應(yīng)用，但其發(fā)展空間已達(dá)到極限，故迫切地需要一種數(shù)據(jù)傳輸可靠且能實(shí)時(shí)地進(jìn)行控制的網(wǎng)絡(luò)系統(tǒng)。列車(chē)通信網(wǎng)絡(luò)（TrainCommunicationNet，TCN）應(yīng)運(yùn)而生，1999年國(guó)際電工委員會(huì)通過(guò)的標(biāo)準(zhǔn)成為動(dòng)車(chē)組控制網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)的主流[1]。為實(shí)現(xiàn)精準(zhǔn)且實(shí)時(shí)地控制，TCN網(wǎng)絡(luò)利用過(guò)程數(shù)據(jù)來(lái)進(jìn)行周期性地更新。對(duì)于非緊迫的且數(shù)據(jù)量過(guò)大的數(shù)據(jù)，TCN網(wǎng)絡(luò)使用消息數(shù)據(jù)來(lái)進(jìn)行數(shù)據(jù)的有效傳輸。相比于傳統(tǒng)的工業(yè)控制系統(tǒng)，高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)對(duì)傳輸數(shù)據(jù)的實(shí)時(shí)性要求極高，但高速動(dòng)車(chē)組通信網(wǎng)絡(luò)控制端口和變量非常多且各端口的長(zhǎng)度和特征周期也各異。故數(shù)據(jù)在傳輸?shù)倪^(guò)程中不可避免地產(chǎn)生網(wǎng)絡(luò)時(shí)延現(xiàn)象，這極大地影響了高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)的安全性。

本文研究了帶有時(shí)延現(xiàn)象的高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)，提出了一種有效的優(yōu)化方法，即將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)與傳統(tǒng)的廣義預(yù)測(cè)控制結(jié)合起來(lái)，以?xún)?yōu)化高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)且對(duì)所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果對(duì)高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計(jì)具有重要的意義。

2 高速動(dòng)車(chē)組通信網(wǎng)絡(luò)結(jié)構(gòu)

中國(guó)標(biāo)準(zhǔn)動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)遵循GB/T 28029.1-2011標(biāo)準(zhǔn)，高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)采用兩級(jí)總線(xiàn)式拓?fù)浣Y(jié)構(gòu)，分為動(dòng)車(chē)組級(jí)總線(xiàn)WTB和車(chē)輛級(jí)總線(xiàn) MVB，布設(shè)以太網(wǎng)來(lái)實(shí)現(xiàn)軟件更新及數(shù)據(jù)下載[2]。通過(guò)制定動(dòng)車(chē)組級(jí)及車(chē)輛級(jí)通信協(xié)議，實(shí)現(xiàn)對(duì)高壓、牽引等系統(tǒng)在內(nèi)的整車(chē)邏輯控制、狀態(tài)監(jiān)視、故障診斷，并實(shí)現(xiàn)互聯(lián)互通。將TCN網(wǎng)關(guān)作為動(dòng)車(chē)組級(jí)和車(chē)輛級(jí)的數(shù)據(jù)轉(zhuǎn)換器，高速動(dòng)車(chē)組通信網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。高速動(dòng)車(chē)組不同牽引單元的重要數(shù)據(jù)通過(guò)WTB總線(xiàn)進(jìn)行通信并把數(shù)據(jù)傳輸給中央控制單元處理，高速動(dòng)車(chē)組的關(guān)鍵子系統(tǒng)與中央控制單元之間的數(shù)據(jù)交換是通過(guò)MVB總線(xiàn)與輸入輸出模塊來(lái)實(shí)現(xiàn)的。高速動(dòng)車(chē)組同時(shí)采用以太網(wǎng)作為總線(xiàn)，通過(guò)各車(chē)廂的以太網(wǎng)交換機(jī)與顯示屏、無(wú)線(xiàn)傳輸裝置等設(shè)備相連接來(lái)實(shí)現(xiàn)數(shù)據(jù)的交換。

3 高速動(dòng)車(chē)組網(wǎng)絡(luò)時(shí)延產(chǎn)生的原因和分類(lèi)

高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)對(duì)實(shí)時(shí)傳輸數(shù)據(jù)的要求極高，但實(shí)時(shí)控制一般采用過(guò)程數(shù)據(jù)傳輸，把變量周期性地置于控制單元之間發(fā)送且高速動(dòng)車(chē)組通信網(wǎng)絡(luò)控制端口與變量的數(shù)量非常多，此外各端口的長(zhǎng)度及特征周期也各異[3]。故在數(shù)據(jù)傳輸?shù)倪^(guò)程中會(huì)不可避免地產(chǎn)生網(wǎng)絡(luò)時(shí)延現(xiàn)象。這對(duì)高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)的實(shí)時(shí)性與穩(wěn)定性產(chǎn)生了嚴(yán)重的威脅，產(chǎn)生網(wǎng)絡(luò)時(shí)延的主要因素有：網(wǎng)絡(luò)帶寬受限、網(wǎng)絡(luò)信息源過(guò)多、數(shù)據(jù)碰撞及網(wǎng)絡(luò)負(fù)載的隨機(jī)變化。把網(wǎng)絡(luò)時(shí)延定義為：一個(gè)報(bào)文或分組從網(wǎng)絡(luò)的一端傳輸至另一端所需的時(shí)間。以下分別介紹幾種時(shí)延并分析。

（1）發(fā)送時(shí)延。發(fā)送時(shí)延是指計(jì)算機(jī)或路由器把數(shù)據(jù)包全部傳輸至傳輸媒介中所需的時(shí)間。（2）傳播時(shí)延。數(shù)據(jù)通過(guò)傳播媒介的時(shí)間稱(chēng)為傳播時(shí)延，網(wǎng)絡(luò)的傳播時(shí)延的大小與其傳播距離正相關(guān)。（3）處理時(shí)延。在高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)中，計(jì)算機(jī)和路由器都需要對(duì)接收到的數(shù)據(jù)進(jìn)行處理，所消耗的時(shí)間稱(chēng)為處理時(shí)延。網(wǎng)絡(luò)傳輸數(shù)據(jù)越多，處理時(shí)延就越大。（4）排隊(duì)時(shí)延。數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸?shù)倪^(guò)程中，需經(jīng)過(guò)許多不同的路由器，但路由器不能同時(shí)處理發(fā)送的數(shù)據(jù)，故數(shù)據(jù)需在路由器中排隊(duì)等待，所消耗的時(shí)間稱(chēng)為排隊(duì)時(shí)延。

根據(jù)以上分析可知：網(wǎng)絡(luò)時(shí)延=傳播時(shí)延+發(fā)送時(shí)延+處理時(shí)延+排隊(duì)時(shí)延

4 BP神經(jīng)網(wǎng)

BP神經(jīng)網(wǎng)絡(luò)是一種帶有反饋通道且可自我學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)最基本的算法是梯度下降法[4]，其原理為：為了提高整個(gè)BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率，將實(shí)際輸出與期望輸出相比較，若兩者的誤差較大，就開(kāi)始反向傳播，從而不斷地更新BP神經(jīng)網(wǎng)絡(luò)連接的權(quán)值，直到兩者的誤差在預(yù)先設(shè)定的范圍內(nèi)。

4.1 BP神經(jīng)網(wǎng)絡(luò)正向通道算法

用N個(gè)樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，當(dāng)前時(shí)刻使用p個(gè)樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，樣本P由輸入層到隱含層第i個(gè)神經(jīng)元的輸入是：

5 廣義預(yù)測(cè)控制

廣義預(yù)測(cè)控制是指系統(tǒng)先通過(guò)預(yù)測(cè)、校正及優(yōu)化后輸出一個(gè)控制量，再采集系統(tǒng)下個(gè)時(shí)刻的輸出且不斷地重復(fù)上述步驟，實(shí)時(shí)地控制系統(tǒng)，最終達(dá)到確保控制系統(tǒng)穩(wěn)定運(yùn)行的目的[6]。對(duì)系統(tǒng)進(jìn)行預(yù)測(cè)控制且不斷地提高高速動(dòng)車(chē)組運(yùn)行的穩(wěn)定性及安全性，本文選擇受控自回歸積分滑動(dòng)平均模型作為廣義預(yù)測(cè)控制模型，該模型可表示為[7]：

式（5-20）為狀態(tài)空間形式的廣義預(yù)測(cè)控制規(guī)律。在上述廣義預(yù)測(cè)的算法之中，由于在模型的預(yù)測(cè)中實(shí)際值與預(yù)測(cè)值可能不一樣，故在控制的過(guò)程中只對(duì)當(dāng)前時(shí)刻進(jìn)行控制且把當(dāng)前時(shí)刻的控制值與系統(tǒng)上個(gè)時(shí)刻的預(yù)測(cè)值進(jìn)行比較，通過(guò)誤差對(duì)模型預(yù)測(cè)值進(jìn)行校正，重復(fù)上述步驟可不斷地優(yōu)化和校正。故在控制系統(tǒng)受到外界因素的干擾或期望值與預(yù)測(cè)值的誤差較大時(shí)，反饋會(huì)校正控制系統(tǒng)。廣義預(yù)測(cè)控制有效地克服了系統(tǒng)中不確定性所帶來(lái)的影響，增強(qiáng)了系統(tǒng)的控制性能，對(duì)高速動(dòng)車(chē)組網(wǎng)絡(luò)控制具有重要的意義。

6 遞推最小二乘法辨識(shí)

遞推最小二乘法辨識(shí)，主要可分為：在線(xiàn)辨識(shí)和離線(xiàn)辨識(shí)，在線(xiàn)辨識(shí)是指實(shí)時(shí)地獲取控制系統(tǒng)中的數(shù)據(jù)且利用遞推最小二乘法對(duì)系統(tǒng)中各參數(shù)進(jìn)行辨識(shí)，且實(shí)時(shí)地對(duì)系統(tǒng)中的參數(shù)進(jìn)行更新、不斷地減小參數(shù)的誤差，使其不斷地接近目標(biāo)值[8]。離線(xiàn)辨識(shí)是指先獲取系統(tǒng)中所有數(shù)椐，然后再進(jìn)行辨識(shí)但系統(tǒng)的參數(shù)不會(huì)實(shí)時(shí)地更新[9]。在線(xiàn)辨識(shí)相比較于離線(xiàn)辨識(shí)，在線(xiàn)辨識(shí)可實(shí)時(shí)地修正辨識(shí)參數(shù)，故在高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)中選用在線(xiàn)辨識(shí)更具有優(yōu)勢(shì)。

7 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)與動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)

7.1 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)

通常非線(xiàn)性模型用離散時(shí)間數(shù)學(xué)模型可表示為：

上式中n，m分別為非線(xiàn)性控制系統(tǒng)的輸出y（k）與輸入u（k）的階次，f（*）是不確定的非線(xiàn)性函數(shù)。由以上可得：

故根據(jù)遞推預(yù)測(cè)原理可得出d步之后，k+d時(shí)刻的系統(tǒng)預(yù)測(cè)輸出值為：

BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)模型

選用BP神經(jīng)網(wǎng)絡(luò)最主要的原因是BP神經(jīng)網(wǎng)絡(luò)能較準(zhǔn)確地逼近非線(xiàn)性模型，能表示出無(wú)法用數(shù)學(xué)函數(shù)描述的非線(xiàn)性系統(tǒng)[10]，且多步遞推預(yù)測(cè)具有良好的準(zhǔn)確性與實(shí)時(shí)性。

7.2 高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)與廣義預(yù)測(cè)控制結(jié)合起來(lái)，以解決高速動(dòng)車(chē)組中非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延問(wèn)題。傳統(tǒng)的廣義預(yù)測(cè)控制適用于線(xiàn)性系統(tǒng)且對(duì)網(wǎng)絡(luò)控制系統(tǒng)中常見(jiàn)的時(shí)延具有良好的補(bǔ)償作用[11]，但高速動(dòng)車(chē)組的網(wǎng)絡(luò)控制系統(tǒng)為非線(xiàn)性系統(tǒng)，故須先根據(jù)BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)的方法對(duì)控制系統(tǒng)未來(lái)的輸出進(jìn)行預(yù)測(cè)，然后利用最小二乘法對(duì)系統(tǒng)未來(lái)時(shí)刻的系統(tǒng)參數(shù)進(jìn)行辨識(shí)，將非線(xiàn)性系統(tǒng)在每一時(shí)刻進(jìn)行線(xiàn)性化處理，最后由廣義預(yù)測(cè)控制算法補(bǔ)償時(shí)延對(duì)非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)的影響。高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)框圖如圖3所示。

由于高速動(dòng)車(chē)組網(wǎng)絡(luò)控制系統(tǒng)對(duì)實(shí)時(shí)性要求較高，故BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)部分及遞推最小二乘法部分均是按照時(shí)間順序進(jìn)行的，遞推算法的思想為：當(dāng)前時(shí)刻的計(jì)算值等于前一時(shí)刻或前幾個(gè)時(shí)刻的計(jì)算值與修正項(xiàng)之和。

8 實(shí)驗(yàn)仿真與結(jié)果分析

8.1 高速動(dòng)車(chē)組制動(dòng)模型

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

本文所采用的基本網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)，對(duì)高速動(dòng)車(chē)組制動(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。把當(dāng)前時(shí)刻及上一時(shí)刻的速度輸入BP神經(jīng)網(wǎng)絡(luò)之中，把下一時(shí)刻的速度作為輸出，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)。隱含層神經(jīng)元設(shè)置過(guò)多或過(guò)少產(chǎn)生的現(xiàn)象分別是：BP神經(jīng)網(wǎng)絡(luò)收斂過(guò)慢、BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與實(shí)際輸出的誤差較大。故需對(duì)不同數(shù)量的神經(jīng)元進(jìn)行測(cè)試，精度取0.001，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。

表1 BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)測(cè)試實(shí)驗(yàn)

由表1可知，100個(gè)比10個(gè)神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間的平均值要大0.83ms，但誤差的平均值要遠(yuǎn)小于10個(gè)神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)。當(dāng)BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)由30變?yōu)?0時(shí)，BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出之間的誤差減小，這說(shuō)明隱含層神經(jīng)元個(gè)數(shù)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。在高速動(dòng)車(chē)組上采樣周期一般為64ms，故隱含層神經(jīng)元個(gè)數(shù)選為50。依據(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，450組數(shù)據(jù)為訓(xùn)練集，50組數(shù)據(jù)為測(cè)試集。訓(xùn)練步長(zhǎng)取1000，性能指標(biāo)取0.1%，學(xué)習(xí)速率取為10%。

8.3 高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)仿真

為驗(yàn)證本文所提出的方法的有效性，將已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)加入到非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)中進(jìn)行仿真。對(duì)有無(wú)時(shí)延補(bǔ)償進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證時(shí)延補(bǔ)償?shù)挠行浴０逊讲ㄐ盘?hào)作為目標(biāo)信號(hào)，加入特征周期為64ms時(shí)，測(cè)試得到的時(shí)延數(shù)據(jù)，任務(wù)周期和采樣周期分別為50ms與64ms。分別對(duì)加入時(shí)延補(bǔ)償和未加入時(shí)延補(bǔ)償?shù)姆蔷€(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)進(jìn)行仿真。無(wú)時(shí)延補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)控制效果如圖5所示。由圖5可知，在對(duì)方波信號(hào)的跟蹤過(guò)程之中，存在較大的誤差、波動(dòng)較大且對(duì)目標(biāo)信號(hào)的跟蹤不穩(wěn)定，控制系統(tǒng)整體的控制性能不理想。

有時(shí)延補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)控制效果及誤差如圖6與7所示。由圖6和7可知，在跟蹤方波的實(shí)驗(yàn)過(guò)程中，加入時(shí)延補(bǔ)償后控制系統(tǒng)在初始階段會(huì)出現(xiàn)一個(gè)非常短暫的振蕩，但之后便可較快、較穩(wěn)定地跟蹤方波目標(biāo)信號(hào)且誤差波動(dòng)的幅度較小，相對(duì)穩(wěn)定，在穩(wěn)定階段最大誤差小于±3。故加入時(shí)延補(bǔ)償可較好地提高系統(tǒng)的控制性能。

9 結(jié)束語(yǔ)

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測(cè)與廣義預(yù)測(cè)控制結(jié)合起來(lái)，可有效地消除高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延現(xiàn)象且利用MATLAB軟件對(duì)所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)中對(duì)比了有無(wú)時(shí)延補(bǔ)償對(duì)非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)控制性能的影響。本文的實(shí)驗(yàn)證明了所提出的方法具有抑制時(shí)延效果好且實(shí)時(shí)性高、控制效果好、計(jì)算速度快及魯棒性強(qiáng)等優(yōu)點(diǎn)，對(duì)高速動(dòng)車(chē)組非線(xiàn)性網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計(jì)具有重要的參考價(jià)值。

參考文獻(xiàn)：

[1]Tindell K， Bruns A， Wellings A J. Caclulating Controller AreaNetwork（CAN） Message Respnese Times[J]. Control Eng. Practice，1995，3（8）：1163-1169.

[2]G.-B. Huang，Q.-Y. Zhu， and C.-K. Siew，"Extreme learning machine： A new learning scheme of feedforward neural networks，" in In Proc. International Joint Conference on Neural Networks （IJCNN'2004）， （Budapest， Hungary）， July 25-29，2004.

[3]倪文波，王雪梅.高速列車(chē)網(wǎng)絡(luò)與控制技術(shù)[M].西南交通大學(xué)出版社，2010.

[4]G.E. Hinton， N. Srivastave， A. Sutskever， I. Sutskever， and R.R. Salakhutdinov. Improving neural networks by preventing co-adaptation of feature detectors. arXiv：1207.0580， 2012.

[5]LIAN F L， Moyue J R，Tibury D M. Network design consideration for distributed control systems[J]. IEEE Trans on Contr Syst Tech， 2002，10（2）：297-307.

[6]王巖，孫增圻.網(wǎng)絡(luò)控制系統(tǒng)分析與設(shè)計(jì)[M].北京：清華大學(xué)出版社，2009.

[7]Liman Yang， Yunhua Li， Guilin Yang. Analysis of Delay and TrafficLoad in Networked Control System [C]//Proceedings of the 2005IEEE/ASME International Conference on Advanced Intelligent Mechatronics. USA： IEEE/ASME， 2005： 1425-1430.

[8]LI H B，CHOW M Y.EDA-based speed control of a networked DC motor system with time delays and packet losses[J]. IEEE Transactions on Industrial Electronics，2009，56（5）：1727-1735.

[9]Hespanha J P， Naghshtabrizi P， Xu Y G： A survey of recentresults in networked control systems[J]. Proceedings of the IEEE，2007，95（1）：138-162.

[10]龔利.鐵路機(jī)車(chē)遠(yuǎn)程監(jiān)測(cè)與故障診斷系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)工程，2012，38（4）：227-229.

[11]Fei-Yue Wang， Derong Liu， in：Networked Control Systems Theory and Applications， Springer Publishers， London（2008）.