基于高速動車組重聯網絡控制系統時延的研究

徐濱全　王元東　宋程

摘? 要：文章首先建立高速動車組重聯網絡控制系統模型并分析前向通道與反向通道時延，基于BP神經網絡遞推預測的方法對網絡控制系統未來的輸出進行預測。然后提出一種快速隱式廣義預測控制算法（IGPC）對預測的時延進行補償，IGPC算法的原理是根據系統輸入與輸出數據，并利用廣義預測控制（Generalized Predictive Control，GPC）算法與動態矩陣控制律（DMC）的等價性，直接求解最優控制律。IGPC算法比GPC算法的計算量更小且效率更高，既能節省時間成本又能保證高速動車組網絡控制的實時性。最后將BP神經網絡遞推預測的方法與IGPC、GPC結合起來，分別采用無時延補償基于BP神經網絡預測的GPC算法、有時延補償基于BP神經網絡預測的GPC算法及有時延補償基于BP神經網絡預測的IGPC算法進行實驗仿真，實驗結果表明：相比較于其它兩種算法，有時延補償基于BP神經網絡預測的IGPC算法可較好地跟蹤標準參考方波，在初始階段的震蕩時間最短且超調量也最小。故有時延補償基于BP神經網絡預測的IGPC算法為最優算法。

關鍵詞：高速動車組;BP神經網絡;IGPC算法;GPC算法;時延

中圖分類號：TP183? ? ? ? 文獻標志碼：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

當前，我國高速動車組重聯控制網絡主要有ARCNET和TCN，應用最廣泛的網絡是TCN，UIC網關的基礎是TCN且作為動車組之間互聯、互通和互操作的關鍵設備，有助于實現不同型號動車組間重聯控制[1]。但重聯控制網絡的引入會產生網絡傳輸時延，導致控制指令不能及時送達重聯列車的受控設備且受控設備的狀態無法及時反饋，進而影響列車的控制性能，甚至引起控制系統的不穩定。針對高速動車組網絡控制系統（Networked Control Systems，NCS）的時延問題。本文以基于UIC網關的重聯動車組過程數據傳輸網絡時延為研究對象，利用BP神經網絡與歷史數據對NCS前向與反向通道的時延進行在線預測，并通過改進GPC算法，提出一種IGPC算法來補償網絡時延的影響。

2 高速動車組重聯網絡控制系統模型

利用兩個MVB設備與兩個UIC網關創建高速動車組重聯網絡控制系統的簡化模型，如圖1所示，并作如下假設：

（1）NCS中的各節點的時鐘均同步且控制回路中傳輸的數據均采用單包傳輸。

（2）傳感器采用時鐘驅動方式，控制器、執行器采用事件驅動方式。

（3）網絡上傳輸的數據均帶有時間戳。

6 實驗與結果分析

6.1 BP神經網絡遞推預測的建立與訓練

本文所用的軟件為MATLAB，將BP神經網絡作為基本網絡，對高速動車組的制動模型進行數據采集并制成數據集，用所得數據集對BP神經網絡進行訓練。創建一個三層的BP神經網絡，隱含層的激活函數為tansig函數，輸出層的函數為purelin函數。對不同數量的神經元進行測試，精度取1/1000，把隱含層神經元的數量分別設置為10、30、50、100，通過上面的模型可得500個數據，450個數據作為訓練集，50個數據作為測試集，測試的參數為：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據處理所需要的時間。實驗結果如表1所示。

一般地隱含層神經元數量越多，誤差越小。但BP神經網絡的處理速度也會變慢。考慮到在高速動車組上采樣周期一般為64ms，由表1可知：隱含層神經元數量取50最合適。根據不同工作區間再分別取100組數據，共采集數據500組，測試集包含50組數據，訓練集包含450組數據。性能指標取1/1000，訓練步長取1000，學習速率取1/10。

6.2 高速動車組重聯網絡控制系統仿真

為驗證有時延補償基于BP神經網絡預測的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，取二階系統進行實驗且二階系統的方程如下：

其中Ts=0.1s，N1=6，？姿j=0.8，？濁=1;二階系統的初值gN-1=1，f（k+N）=1，P0=105I，其它初值均取零。實驗結果如圖2與3所示。由圖2可知，無時延補償時，在跟蹤標準參考方波的過程中，基于BP神經網絡預測的GPC控制方法，不能穩定地跟蹤標準參考方波且存在較大的誤差，控制系統的控制效果不理想。當加入時延補償時，基于BP神經網絡預測的GPC控制方法可較好地跟蹤標準參考方波且波動較小，故有時延補償基于BP神經網絡預測的GPC控制方法優于無時延補償基于BP神經網絡預測的GPC控制方法。由圖3可知，在有時延補償的情況下，基于BP神經網絡預測的IGPC控制方法僅在初始階段出現一個極短的震蕩，之后便可有效地跟蹤標準參考方波且超調量非常小。基于BP神經網絡預測的GPC控制方法雖也可跟蹤標準參考方波，但在初始階段會出現一個較長的震蕩且超調量較大。故有時延補償基于BP神經網絡預測的IGPC控制方法優于其它兩種方法。

7 結束語

本文將BP神經網絡遞推預測的方法與IGPC算法結合起來，然后考慮系統的時延問題，IGPC算法可通過滾動優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，使系統輸出能夠較好地跟蹤控制輸入參考軌跡且系統響應時間短，超調量小，保證了高速動車組網絡控制的實時性。

參考文獻：

[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型動車組列車網絡控制系統的比較[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神經網絡信息融合的汽車載重測量方案[J].機械設計與制造，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.