王耀琦,任相,王小鵬
(蘭州交通大學(xué) 電子與信息工程學(xué)院,蘭州 730070)
在我國(guó)初期鐵路運(yùn)輸中內(nèi)燃機(jī)車占據(jù)主導(dǎo)地位,現(xiàn)階段由于鐵路電氣化改造以及動(dòng)車組列車的發(fā)展,內(nèi)燃機(jī)車在鐵路運(yùn)輸中起著輔導(dǎo)性作業(yè)[1,2]。內(nèi)燃機(jī)車廣泛運(yùn)用于工程車以及環(huán)境惡劣的地方的鐵路運(yùn)輸,所以在鐵路運(yùn)輸中,內(nèi)燃機(jī)車也起著不可忽視地位。柴油機(jī)是內(nèi)燃機(jī)車的動(dòng)力源,柴油機(jī)發(fā)出功率需要和內(nèi)燃機(jī)車帶的負(fù)載匹配,所以柴油機(jī)在工作時(shí)需恒速運(yùn)行[3]。然而機(jī)車在行駛過(guò)程中會(huì)受到線路阻力變化,使負(fù)載發(fā)生擾動(dòng),導(dǎo)致轉(zhuǎn)速發(fā)生波動(dòng),柴油機(jī)發(fā)出的功率與牽引電動(dòng)機(jī)的功率不能匹配,導(dǎo)致機(jī)車容易發(fā)生卸載現(xiàn)象。目前,普通內(nèi)燃機(jī)車使用PID控制進(jìn)行調(diào)速控制,而PID控制中三個(gè)參數(shù)是一個(gè)針對(duì)全局的最優(yōu)控制,導(dǎo)致動(dòng)態(tài)性能不強(qiáng)魯棒性差。在機(jī)車運(yùn)行過(guò)程中,機(jī)車轉(zhuǎn)速控制系統(tǒng)是一個(gè)時(shí)變的、非線性系統(tǒng),針對(duì)不同工況PID控制的強(qiáng)度也不同,所以采用PID轉(zhuǎn)速控制時(shí),控制性能不佳,魯棒性差[4]。
內(nèi)燃機(jī)車轉(zhuǎn)速控制的性能與采用的控制方法有很大的關(guān)系,好的控制方法能使機(jī)車在運(yùn)行過(guò)程中針對(duì)負(fù)載擾動(dòng)的情況下,依舊安全平穩(wěn)的運(yùn)行。關(guān)于內(nèi)燃機(jī)車轉(zhuǎn)速控制已經(jīng)有許多學(xué)者做出研究,針對(duì)解決問(wèn)題的點(diǎn)不同采用不同的解決方法。文獻(xiàn)[5]使用PID控制運(yùn)用在內(nèi)燃機(jī)車轉(zhuǎn)速控制中,由于使用一個(gè)全局的最優(yōu)控制參數(shù),導(dǎo)致魯棒性差,同時(shí)由于內(nèi)燃機(jī)車柴油機(jī)模型是一個(gè)復(fù)雜的系統(tǒng)導(dǎo)致數(shù)學(xué)模型不夠精確,而PID控制對(duì)數(shù)學(xué)模型精度要求高,導(dǎo)致控制性能不佳,響應(yīng)速度慢、超調(diào)量大和穩(wěn)定時(shí)間長(zhǎng)。針對(duì)PID控制采用一個(gè)全局的最優(yōu)控制參數(shù)和對(duì)數(shù)學(xué)模型精度要求高的特點(diǎn),文獻(xiàn)[6]中提出模糊控制應(yīng)用在內(nèi)燃機(jī)車轉(zhuǎn)速控制中,該文章中采用了二維模糊控制,分析了誤差和誤差變化率,提高了非線性的內(nèi)燃機(jī)車轉(zhuǎn)速控制系統(tǒng)的控制性能。在工業(yè)控制中,PID控制由于其簡(jiǎn)單性和實(shí)用性,使PID控制運(yùn)用最為廣泛,但是PID控制采用一個(gè)全局的參數(shù)且對(duì)非線性系統(tǒng)控制性能不佳,文獻(xiàn)[7]中提出模糊自適應(yīng)PID控制應(yīng)用在內(nèi)燃機(jī)車轉(zhuǎn)速控制中,同時(shí)解決了模糊控制中缺少微分的環(huán)節(jié)導(dǎo)致不能使誤差降為零和PID控制參數(shù)不能更改的問(wèn)題。以上方法對(duì)內(nèi)燃機(jī)車轉(zhuǎn)速控制展現(xiàn)了良好的控制性能,但是內(nèi)燃機(jī)車轉(zhuǎn)速控制系統(tǒng)是一個(gè)非線性、時(shí)變性和時(shí)滯性的系統(tǒng),且難以獲得精確的數(shù)學(xué)模型,導(dǎo)致控制性能和魯棒性不佳。
綜上所述,傳統(tǒng)的控制方法對(duì)于內(nèi)燃機(jī)車轉(zhuǎn)速控制中難以達(dá)到所期望的性能和魯棒性。模型預(yù)測(cè)控制(Model Predictive Control,MPC)采用被控對(duì)象的動(dòng)態(tài)模型預(yù)測(cè)系統(tǒng)未來(lái)輸出,同時(shí)結(jié)合滾動(dòng)優(yōu)化和反饋校正的控制方法[8,9]。與PID控制相比MPC不但擁有反饋校正的特點(diǎn),同時(shí)還根據(jù)預(yù)測(cè)模型預(yù)測(cè)系統(tǒng)未來(lái)的輸出,并實(shí)施滾動(dòng)優(yōu)化,使MPC在非線性、時(shí)變性和時(shí)滯性的系統(tǒng)中的控制性能優(yōu)于傳統(tǒng)的控制方法。神經(jīng)網(wǎng)絡(luò)是一個(gè)通用逼近器,能夠以任意精度逼近任何系統(tǒng),在神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單且訓(xùn)練算法成熟[10~12]。結(jié)合BP神經(jīng)網(wǎng)絡(luò)和MPC的優(yōu)點(diǎn),本文提出BP神經(jīng)網(wǎng)絡(luò)并運(yùn)用于內(nèi)燃機(jī)車轉(zhuǎn)速控制系統(tǒng)中。
模型預(yù)測(cè)控制算法原理主要包括預(yù)測(cè)模型、滾動(dòng)優(yōu)化和反饋校正,框圖如圖1所示[13]。
圖1 MPC算法原理框圖
非線性系統(tǒng)的輸入輸出模型表示為[14,15]:
式(1)中,y(k)表示系統(tǒng)輸出向量,f(·)表示非線性未知函數(shù),u(k)表示控制輸入向量,na表示為輸出階數(shù),nb表示為輸入階數(shù)。
MPC是通過(guò)滾動(dòng)優(yōu)化實(shí)施控制的,所以在每個(gè)采樣時(shí)刻k,需要實(shí)時(shí)求解非線性優(yōu)化問(wèn)題得出控制作用。當(dāng)在采樣時(shí)刻k的約束條件為式(2)時(shí):
其中,控制增量如公式(3)所示:
優(yōu)化性能指標(biāo)如式(4)所示:
式(4)中,J(k)表示為k時(shí)刻優(yōu)化性能指標(biāo),r(k+h丨k)表示為從k時(shí)刻開(kāi)始后的第h步的期望輸出,y(k+h丨k)表示為從k時(shí)刻開(kāi)始后的第h步的預(yù)測(cè)輸出,Np表示為預(yù)測(cè)時(shí)域,Nu為控制時(shí)域,且Np>Nu>0,qh為控制加權(quán)系數(shù),umin和umax表示為k時(shí)刻開(kāi)始后的第h步的期望輸出最小值和最大值,Δumin和Δumax表示為控制增量的最小值和最大值,ymin和ymax為k時(shí)刻開(kāi)始后的第h步的預(yù)測(cè)輸出的最小值和最大值。
神經(jīng)網(wǎng)絡(luò)對(duì)非線性系統(tǒng)的擬合能力很強(qiáng),公式(1)所示的非線性系統(tǒng)模型的具體表達(dá)式未知,對(duì)該模型的輸入輸出樣本數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)其建模[16,17]。在神經(jīng)網(wǎng)絡(luò)中,反向傳播網(wǎng)即BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單且訓(xùn)練算法成熟,所以本文采用如圖2所示的BP神經(jīng)網(wǎng)絡(luò)對(duì)非線性系統(tǒng)進(jìn)行建模。
圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
根據(jù)BP神經(jīng)網(wǎng)絡(luò)工作原理可得,隱含層節(jié)點(diǎn)i的輸入xi如式(5)所示:
式(5)中,oj為輸入層的輸出,其中j=1,···,n,wij為輸入層節(jié)點(diǎn)j到隱含層節(jié)點(diǎn)i的連接權(quán)重,wi0為隱含層節(jié)點(diǎn)i的輸入偏差。隱含層節(jié)點(diǎn)輸出zi如式(6)所示:
式(6)中,φ(·)為神經(jīng)元激活函數(shù),本文采用的神經(jīng)元激活函數(shù)為sigmoid函數(shù),該函數(shù)如圖3所示。輸出層節(jié)點(diǎn)的輸出為如式(7)所示:
圖3 sigmoid神經(jīng)元激活函數(shù)
式(7)中,w0為輸出層節(jié)點(diǎn)的輸入偏差,wi為隱含層節(jié)點(diǎn)i到輸出層節(jié)點(diǎn)的連接權(quán)重。
反向傳播原理是BP神經(jīng)網(wǎng)絡(luò)的核心,即通過(guò)給定的數(shù)據(jù)樣本集更改網(wǎng)絡(luò)中的連接權(quán)重和輸入偏差,使性能指標(biāo)E達(dá)到最小值,如式(8)所示:
式(8)中,N為樣本數(shù),yl為第l組樣本中系統(tǒng)輸出值,為第l組樣本中通過(guò)式(7)得出的神經(jīng)網(wǎng)絡(luò)輸出值,w為連接權(quán)重和輸入偏差的參數(shù)向量。在設(shè)定初始參數(shù)向量w后,根據(jù)梯度法改進(jìn)網(wǎng)絡(luò)參數(shù)如式(9)所示:
式(9)中,wnew為更新后的參數(shù)向量,wold為更新前參數(shù)向量,η為學(xué)習(xí)率。式(9)所示的參數(shù)向量一直更新,直到式(8)所示的性能指標(biāo)達(dá)到最小值,這時(shí)得到的BP網(wǎng)與樣本數(shù)據(jù)集匹配最佳。
對(duì)如圖1所示的模型預(yù)測(cè)控制算法進(jìn)行改進(jìn),首先把預(yù)測(cè)模型改進(jìn)為BP神經(jīng)網(wǎng)絡(luò)建模進(jìn)行模型預(yù)測(cè),然后將滾動(dòng)優(yōu)化改進(jìn)為采用神經(jīng)網(wǎng)絡(luò)的在線優(yōu)化控制器,算法原理框圖如圖4所示。
圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制算法原理框圖
根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法原理,可以對(duì)式(1)所示的非線性系統(tǒng)的輸入輸出模型進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模,即可以進(jìn)行模型預(yù)測(cè)。預(yù)測(cè)控制是對(duì)未來(lái)輸出實(shí)現(xiàn)多步預(yù)測(cè),當(dāng)預(yù)測(cè)步數(shù)為P時(shí),即需要建立P個(gè)BP網(wǎng),根據(jù)式(1)、式(5)、式(6)和式(7)可以得出第s個(gè)BP網(wǎng)可以表示為:
工作原理與單個(gè)BP網(wǎng)的工作原理相同,只是輸入量在時(shí)間上進(jìn)行相應(yīng)的移位,使網(wǎng)絡(luò)的輸出反應(yīng)為未來(lái)不同時(shí)刻的輸出預(yù)測(cè)值。所以可以對(duì)經(jīng)典的預(yù)測(cè)控制中的滾動(dòng)優(yōu)化采用神經(jīng)網(wǎng)絡(luò)在線優(yōu)化控制器,且優(yōu)化采取和模型參數(shù)辨識(shí)相似的梯度尋優(yōu)過(guò)程實(shí)現(xiàn)。
k時(shí)刻的優(yōu)化性能指標(biāo)如式(11)所示:
式(11)中,(k+h)是各個(gè)BP網(wǎng)在輸入為u(k+h-1)時(shí)的預(yù)測(cè)輸出,yr(k+h)是輸出期望值,其中h=1,...,P,所以:
當(dāng)s 其中, 根據(jù)式(11)可以得到: 結(jié)合式(12)~式(15)可以得出: 根據(jù)理論推導(dǎo),可以設(shè)置一組控制量uM(k),利用如式(10)所示的模型得出y~PM(k),代入式(11)得出J(k)中的根據(jù)梯度法對(duì)控制量進(jìn)行改進(jìn): 式(17)中,α為步長(zhǎng),根據(jù)式(16)計(jì)算得出,unew(k+h-1)為更新后的k時(shí)刻開(kāi)始后的第h-1步的控制輸出,uold(k+h-1)為更新前的k時(shí)刻開(kāi)始后的第h-1步的控制輸出。迭代過(guò)程反復(fù)進(jìn)行,直到優(yōu)化性能指標(biāo)J(k)達(dá)到最小值,這時(shí)的u(k)作為最優(yōu)控制量作用到系統(tǒng)實(shí)施控制。 內(nèi)燃機(jī)車轉(zhuǎn)速控模型主要包括給定轉(zhuǎn)速,油門(mén)執(zhí)行,柴油機(jī)和發(fā)電機(jī)模塊,控制框圖如圖5所示。內(nèi)燃機(jī)車轉(zhuǎn)速控制首先將當(dāng)前發(fā)電機(jī)的轉(zhuǎn)速通過(guò)轉(zhuǎn)速反饋與給定的轉(zhuǎn)速作差值運(yùn)算,將差值運(yùn)算結(jié)果給轉(zhuǎn)速控制模塊,根據(jù)轉(zhuǎn)速控制算法得出控制指令,對(duì)油門(mén)單元進(jìn)行控制,達(dá)到控制柴油機(jī)的供油量,使柴油機(jī)的轉(zhuǎn)速穩(wěn)定在給定轉(zhuǎn)速值[18]。 圖5 內(nèi)燃機(jī)車轉(zhuǎn)速控制框圖 油門(mén)執(zhí)行單元是控制柴油機(jī)的供油量,根據(jù)轉(zhuǎn)速控制器給的控制信號(hào),控制油門(mén)齒條并帶動(dòng)到某一供油位L。所以可以將油門(mén)執(zhí)行單元等效為一階慣性環(huán)節(jié),傳遞函數(shù)如式(18)所示: 式(18)中,Ts為油門(mén)執(zhí)行單元時(shí)間常數(shù)。 柴油機(jī)單元是根據(jù)油門(mén)執(zhí)行單元對(duì)供油量的控制,從而控制柴油機(jī)的輸出力矩Tm,達(dá)到轉(zhuǎn)速控制的目的。由于柴油機(jī)的油料燃燒和熱力沖程,致使油門(mén)執(zhí)行單元對(duì)柴油機(jī)的輸出力矩的控制存在時(shí)滯性。油門(mén)執(zhí)行單元對(duì)齒條位移L和柴油機(jī)輸出的輸出力矩Tm成正比關(guān)系如式(19)所示: 式(19)中,k為正比例系數(shù)。 根據(jù)式(19)可得,當(dāng)油門(mén)齒條位移變化量為ΔL時(shí),柴油機(jī)的輸出力矩的變化量如式(20)所示: 假設(shè)柴油機(jī)的滯后時(shí)間常數(shù)為T(mén)d,得出柴油機(jī)在復(fù)頻域的輸出力矩的變化量如式(21)所示: 根據(jù)泰勒級(jí)數(shù)可得: 內(nèi)燃機(jī)車轉(zhuǎn)速控制系統(tǒng)中,時(shí)間滯后常數(shù)Td很小,所以可以把式(22)中分母中的二次項(xiàng)和多項(xiàng)式可以忽略不計(jì),所以柴油機(jī)的傳遞函數(shù)如式(23)所示: 轉(zhuǎn)速反饋單元是通過(guò)轉(zhuǎn)速傳感器對(duì)發(fā)電機(jī)的轉(zhuǎn)速進(jìn)行采集,并把采集后的轉(zhuǎn)速信號(hào)通過(guò)信號(hào)轉(zhuǎn)換電路轉(zhuǎn)換為一定比例的電壓信號(hào)t。轉(zhuǎn)速反饋的傳遞函數(shù)如公式(24)所示: 為了驗(yàn)證本文所提算法的有效性,通過(guò)MATLAB/Simulink對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制的內(nèi)燃機(jī)車轉(zhuǎn)速控制系統(tǒng)建模,為了全方面分析控制的有效性和魯棒性,與傳統(tǒng)PID控制、模糊控制、模糊自適應(yīng)PID控制和MPC進(jìn)行對(duì)比并分為兩種工況進(jìn)行驗(yàn)證。 在MATLAB/Simulink對(duì)內(nèi)燃機(jī)轉(zhuǎn)速控制系統(tǒng)進(jìn)行建模中,發(fā)電機(jī)模塊采用”Synchronous Machine pu Standard”為標(biāo)幺值同步發(fā)電機(jī),油門(mén)執(zhí)行單元時(shí)間常數(shù)Ts=1,柴油機(jī)滯后時(shí)間常數(shù)Td=1.5,比例系數(shù)k=1,同時(shí)在內(nèi)燃機(jī)車轉(zhuǎn)速控制中各個(gè)機(jī)械環(huán)節(jié)間存在時(shí)間滯后,需加入一個(gè)為0.1的延時(shí)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型參數(shù)設(shè)置如表1所示。 表1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型參數(shù) 在試驗(yàn)前需要對(duì)被控對(duì)象模型進(jìn)行訓(xùn)練,將一系列隨機(jī)階躍序列作用于被控對(duì)象模型生成訓(xùn)練數(shù)據(jù),訓(xùn)練樣本設(shè)置為8000,隨機(jī)階躍序列如圖6所示,訓(xùn)練數(shù)據(jù)結(jié)果如圖7所示。 圖6 隨機(jī)階躍序列 圖7 訓(xùn)練數(shù)據(jù)結(jié)果 生成訓(xùn)練數(shù)據(jù)后,選擇trainlm訓(xùn)練算法開(kāi)始訓(xùn)練被控對(duì)象模型,迭代次數(shù)設(shè)置為200,驗(yàn)證數(shù)據(jù)結(jié)果如圖8所示,訓(xùn)練完成后的被控對(duì)象模型響應(yīng)數(shù)據(jù)如圖9所示。 圖8 驗(yàn)證數(shù)據(jù)圖 圖9 訓(xùn)練響應(yīng)數(shù)據(jù)圖 完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,對(duì)基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的內(nèi)燃機(jī)車進(jìn)行轉(zhuǎn)速控制實(shí)驗(yàn)。 工況一:內(nèi)燃機(jī)車在啟動(dòng)時(shí)轉(zhuǎn)速變化。 經(jīng)過(guò)MATLAB/Simulink建模仿真后,工況一仿真結(jié)果如圖10所示,其中PID控制內(nèi)燃機(jī)車轉(zhuǎn)速在啟動(dòng)時(shí)轉(zhuǎn)速變化如圖10長(zhǎng)虛線所示,模糊控制內(nèi)燃機(jī)車轉(zhuǎn)速在啟動(dòng)時(shí)轉(zhuǎn)速變化如圖10點(diǎn)線所示,模糊PID控制內(nèi)燃機(jī)車轉(zhuǎn)速在啟動(dòng)時(shí)轉(zhuǎn)速變化如圖10短虛線所示,MPC控制內(nèi)燃機(jī)車轉(zhuǎn)速在啟動(dòng)時(shí)轉(zhuǎn)速變化如圖10點(diǎn)劃線所示,基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制內(nèi)燃機(jī)車轉(zhuǎn)速在啟動(dòng)時(shí)轉(zhuǎn)速變化如圖10實(shí)線所示。 圖10 內(nèi)燃機(jī)車在啟動(dòng)時(shí)轉(zhuǎn)速變化 工況一的對(duì)比參數(shù)如表2所示。 表2 工況一控制性能對(duì)比 工況二:內(nèi)燃機(jī)車在運(yùn)行中負(fù)載發(fā)生突變。分為兩種情況,一是負(fù)載變大,二是負(fù)載減少。 工況二中情況一是在50s、51s和52s時(shí)負(fù)載增加一倍,仿真結(jié)果如圖11所示,其中PID控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖11長(zhǎng)虛線所示,模糊控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖11點(diǎn)線所示,模糊PID控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖11短虛線所示,MPC控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖11點(diǎn)劃線所示,基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖11實(shí)線所示。 圖11 內(nèi)燃機(jī)車在運(yùn)行中負(fù)載增加轉(zhuǎn)速變化 工況二中情況一對(duì)比參數(shù)如表3所示。 表3 工況二情況一控制性能對(duì)比 工況二中情況二是在50s時(shí)負(fù)載減小一倍,仿真結(jié)果如圖12所示,其中PID控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖12長(zhǎng)虛線所示,模糊控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖12點(diǎn)虛線所示,模糊PID控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖12短虛線所示,MPC控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖12點(diǎn)劃線所示,基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制內(nèi)燃機(jī)車轉(zhuǎn)速變化如圖12實(shí)線所示。 圖12 內(nèi)燃機(jī)車在運(yùn)行中負(fù)載減少轉(zhuǎn)速變化 工況二中情況二對(duì)比參數(shù)如表4所示。 表4 工況二情況二控制性能對(duì)比 通過(guò)MATLAB/Simulink仿真實(shí)驗(yàn),在工況一實(shí)驗(yàn)中,仿真結(jié)果對(duì)比參數(shù)如表1所示,PID控制超調(diào)量大,收斂時(shí)間慢,模糊控制優(yōu)于PID控制,但是模糊控制誤差不能降為零,模糊PID控制收斂快,超調(diào)量大于模糊控制,MPC控制超調(diào)量小于模糊控制且收斂時(shí)間小于模糊PID控制,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制收斂時(shí)間快且超調(diào)量小。在工況二實(shí)驗(yàn)中,PID控制在負(fù)載突變的情況下轉(zhuǎn)速波動(dòng)大,收斂時(shí)間慢,模糊控制相比較于PID控制缺少了積分環(huán)節(jié)導(dǎo)致控制誤差不能降為零,控制性能不佳;基于模糊PID控制的內(nèi)燃機(jī)車轉(zhuǎn)速控制解決了PID控制參數(shù)問(wèn)題和模糊控制缺少積分環(huán)節(jié)問(wèn)題,使得控制性能優(yōu)于PID控制和模糊控制;基于MPC控制的內(nèi)燃機(jī)車轉(zhuǎn)速控制采用了模型預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正,使得控制性能優(yōu)于模糊PID控制;基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制對(duì)MPC中的模型預(yù)測(cè)和反饋校正實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行模型預(yù)測(cè),同時(shí)將滾動(dòng)優(yōu)化根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和優(yōu)化算法迭代計(jì)算得出最優(yōu)控制量實(shí)現(xiàn)滾動(dòng)優(yōu)化,使得控制性能優(yōu)于MPC控制。 針對(duì)電傳動(dòng)內(nèi)燃機(jī)車在負(fù)載發(fā)生擾動(dòng)下,轉(zhuǎn)速會(huì)發(fā)生波動(dòng),使?fàn)恳l(fā)電機(jī)功率小于牽引電動(dòng)機(jī)功率,導(dǎo)致機(jī)車運(yùn)行不平穩(wěn),提出基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制的內(nèi)燃機(jī)車轉(zhuǎn)速控制,采用神經(jīng)網(wǎng)絡(luò)逼近進(jìn)行模型預(yù)測(cè),以及采用梯度下降法設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)在線優(yōu)化控制器,反復(fù)優(yōu)化求解使優(yōu)化性能指標(biāo)最小,同時(shí)進(jìn)行反饋校正對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型失配進(jìn)行補(bǔ)償,使控制系統(tǒng)的魯棒性更強(qiáng)。本文通過(guò)MATLAB/Simulink對(duì)內(nèi)燃機(jī)車轉(zhuǎn)速控制建模進(jìn)行仿真實(shí)驗(yàn),證明了基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制的內(nèi)燃機(jī)車轉(zhuǎn)速控制的有效性,相較于PID控制、模糊控制、模糊PID控制和MPC控制控制精度高、響應(yīng)時(shí)間快、穩(wěn)態(tài)誤差小和魯棒性好的優(yōu)點(diǎn)。2 內(nèi)燃機(jī)車轉(zhuǎn)速控制數(shù)學(xué)建模
3 實(shí)驗(yàn)驗(yàn)證
4 結(jié)語(yǔ)