動車組網(wǎng)絡控制系統(tǒng)的傳輸方案優(yōu)化研究

王瑞鋒 劉杰宇

摘 要：本文通過描述網(wǎng)絡控制系統(tǒng)的產(chǎn)生及背景，列舉動車組網(wǎng)絡通信典型故障案例，分析動車組網(wǎng)絡傳輸影響因素，闡述傳統(tǒng)時延預測法優(yōu)缺點，進而提出一種基于RBF神經(jīng)網(wǎng)絡的變采樣周期時延補償方案，設計出一套結(jié)合最優(yōu)控制和極點配置的控制器設計方法，可以對動車組網(wǎng)絡通信質(zhì)量進行大幅優(yōu)化。

關鍵詞：動車組 網(wǎng)絡控制 神經(jīng)網(wǎng)絡

一、網(wǎng)絡控制系統(tǒng)的產(chǎn)生及背景

網(wǎng)絡控制是指通過一系列具有信號處理、優(yōu)化決策和控制操作的通信通道形成一個或多個控制回路的能力，并且控制器可以分布到網(wǎng)絡內(nèi)的不同位置。網(wǎng)絡控制系統(tǒng)（Network Control System，簡稱NCS）首先被定義為一個節(jié)點通過通信網(wǎng)絡，即通過網(wǎng)絡控制連接實現(xiàn)的系統(tǒng)。通過NCS，接收設備、控制設備和操作設備經(jīng)由網(wǎng)絡連接，實現(xiàn)每個設備的網(wǎng)絡控制，促進了設備之間的數(shù)據(jù)傳輸和資源共享。

NCS引入通信網(wǎng)絡作為傳輸介質(zhì)，改變了以往信息傳輸模式的束縛和系統(tǒng)設計空間分布的局限性，滿足了復雜控制系統(tǒng)的要求。用網(wǎng)絡來傳輸信息減少了布線的復雜性，節(jié)省了成本，并且使系統(tǒng)維護和升級非常方便。此外，網(wǎng)絡控制系統(tǒng)還具有資源共享和交互的優(yōu)點，在遙控、自控和無線通信等領域得到廣泛應用。

二、動車組網(wǎng)絡傳輸影響因素和時延預測法

動車組網(wǎng)絡傳輸故障常見原因主要有：運行線路環(huán)境偏離城市中心，網(wǎng)絡通信條件不佳；各系統(tǒng)電氣設備之間抗電磁干擾能力不強，容易互相干擾或耦合；封閉車廂內(nèi)旅客電子產(chǎn)品收發(fā)信息等等。因此，動車組網(wǎng)絡傳輸過程中數(shù)據(jù)丟包、數(shù)據(jù)擁塞、網(wǎng)絡時延等影響造成的運行安全隱患愈發(fā)不容忽視。本文采取傳統(tǒng)時延預測法，研究網(wǎng)絡時延如遇精確預測并控制。

進行時延預測之前要先獲取時延樣本，然后利用樣本對時延預測模型進行訓練。模擬使用的時延數(shù)據(jù)可以運用MegaPing工具，這是一款常用的網(wǎng)絡多功能診斷工具，其軟件中的“Ping”命令采用請求應答報文的方式，可以從實驗計算機向另一臺計算機發(fā)出一個32位的數(shù)據(jù)包，另一臺收到該數(shù)據(jù)包后會做出回應，我們就可以根據(jù)響應時間來測量時延。運用這種方式來測量網(wǎng)絡時延，模擬列車運行時網(wǎng)絡傳輸環(huán)境，選取1次/分鐘的頻率連續(xù)測量24小時，最后截取比較有代表性的時延數(shù)據(jù)作為時延樣本。

經(jīng)過訓練后發(fā)現(xiàn)，當網(wǎng)絡時延變化劇烈時，預測時延值和實際時延值之間存在較大誤差。因此，網(wǎng)絡時延預測有局限性，不能達到理想預測精度，不滿足網(wǎng)絡控制系統(tǒng)實時性的要求。

三、基于RBF神經(jīng)網(wǎng)絡的變采樣周期時延補償方案

動車組的網(wǎng)絡控制系統(tǒng)是一種以通訊網(wǎng)絡作為傳輸介質(zhì)的閉環(huán)反饋控制系統(tǒng)。由于列車的發(fā)展使得網(wǎng)絡控制大量被引入，雖然可使分布在不同位置的系統(tǒng)節(jié)點通過網(wǎng)絡連接起來便于列車中央控制單元（MPU）進行統(tǒng)一處理，但是也不可避免的會帶來諸多問題，其中數(shù)據(jù)傳輸?shù)臅r延干擾是一個急需解決的問題。針對之前時延預測法存在的局限性，本文提出一種基于RBF神經(jīng)網(wǎng)絡的變采樣周期時延補償方案，包括四個部分：采樣周期的確定、系統(tǒng)模型的建立、控制器的設計和仿真。

首先，因NCS時延具有變化性，故可變采樣周期可以通過嘗試使用實時時延大小來確定隨后一次采樣的時間間隙，這種辦法具有三點優(yōu)勢：

（1）可以實時調(diào)整采樣周期以保證網(wǎng)絡可靠性，從而調(diào)整網(wǎng)絡時延；

（2）能夠使網(wǎng)絡傳輸信道相對流暢；

（3）量化各個指標，將問題轉(zhuǎn)化為線性代數(shù)問題，便于剖解系統(tǒng)狀態(tài)。

其次，NCS時延具有復雜性，其時長變化莫測，加上硬件性能的局限和傳輸算法的性能，都是不可測的因素。因此，本文采用RBF深度學習神經(jīng)網(wǎng)絡來推演網(wǎng)絡延時的產(chǎn)生機理和變化規(guī)律。根據(jù)NCS最優(yōu)控制和極點配置原理（如圖1所示），NCS中傳感器與控制器之間的時延記為，NCS中控制器與執(zhí)行器之間的時延記為，NCS中的預測時延大小記為，而NCS真實時延則用表示。

考慮到訓練一個預測模型必須利用系統(tǒng)的真實情況來對模型參數(shù)進行調(diào)整，所以各個采樣的時間點設為。每個NCS傳感器都會生成信息數(shù)據(jù)包來記錄真實時延。因此，得出，其中是被控對象狀態(tài)；是數(shù)據(jù)包發(fā)送的時間。，其中是第次采樣傳感器到控制器的時間；是第次采樣控制器到執(zhí)行器的時間。需要說明的是：本文設立三個假設以滿足對閉環(huán)系統(tǒng)的討論：事件觸發(fā)為控制器與執(zhí)行器的觸發(fā)方式，時間觸發(fā)則為傳感器的觸發(fā)方式；控制目標與執(zhí)行器時延為0；傳輸信道中的數(shù)據(jù)包均為單個，并且系統(tǒng)鄰接丟包總量設有上限值。

通過上述控制器算法和RBF神經(jīng)網(wǎng)絡模型仿真，可以很好的預測網(wǎng)絡時延，預測時延與真實時延相近，預測精度能夠滿足仿真要求。

小 結(jié)

本文通過實際案例，闡述動車組網(wǎng)絡傳輸存在的問題及原因，分析傳統(tǒng)網(wǎng)絡時延預測法的局限性，提出了一種基于RBF神經(jīng)網(wǎng)絡的變采樣周期時延補償方案，并根據(jù)最優(yōu)控制和極點配置相關理論，給出了可變采樣周期時延補償方案，并給出控制器設計方法。通過仿真，可以實現(xiàn)較高的時延預測精度，對動車組網(wǎng)絡控制系統(tǒng)傳輸方案優(yōu)化和動車組網(wǎng)絡通信質(zhì)量提升都具有很大的借鑒作用。