王瑞锋 刘杰宇
摘 要:本文通过描述网络控制系统的产生及背景,列举动车组网络通信典型故障案例,分析动车组网络传输影响因素,阐述传统时延预测法优缺点,进而提出一种基于RBF神经网络的变采样周期时延补偿方案,设计出一套结合最优控制和极点配置的控制器设计方法,可以对动车组网络通信质量进行大幅优化。
关键词:动车组 网络控制 神经网络
一、网络控制系统的产生及背景
网络控制是指通过一系列具有信号处理、优化决策和控制操作的通信通道形成一个或多个控制回路的能力,并且控制器可以分布到网络内的不同位置。网络控制系统(Network Control System,简称NCS)首先被定义为一个节点通过通信网络,即通过网络控制连接实现的系统。通过NCS,接收设备、控制设备和操作设备经由网络连接,实现每个设备的网络控制,促进了设备之间的数据传输和资源共享。
NCS引入通信网络作为传输介质,改变了以往信息传输模式的束缚和系统设计空间分布的局限性,满足了复杂控制系统的要求。用网络来传输信息减少了布线的复杂性,节省了成本,并且使系统维护和升级非常方便。此外,网络控制系统还具有资源共享和交互的优点,在遥控、自控和无线通信等领域得到广泛应用。
二、动车组网络传输影响因素和时延预测法
动车组网络传输故障常见原因主要有:运行线路环境偏离城市中心,网络通信条件不佳;各系统电气设备之间抗电磁干扰能力不强,容易互相干扰或耦合;封闭车厢内旅客电子产品收发信息等等。因此,动车组网络传输过程中数据丢包、数据拥塞、网络时延等影响造成的运行安全隐患愈发不容忽视。本文采取传统时延预测法,研究网络时延如遇精确预测并控制。
进行时延预测之前要先获取时延样本,然后利用样本对时延预测模型进行训练。模拟使用的时延数据可以运用MegaPing工具,这是一款常用的网络多功能诊断工具,其软件中的“Ping”命令采用请求应答报文的方式,可以从实验计算机向另一台计算机发出一个32位的数据包,另一台收到该数据包后会做出回应,我们就可以根据响应时间来测量时延。运用这种方式来测量网络时延,模拟列车运行时网络传输环境,选取1次/分钟的频率连续测量24小时,最后截取比较有代表性的时延数据作为时延样本。
经过训练后发现,当网络时延变化剧烈时,预测时延值和实际时延值之间存在较大误差。因此,网络时延预测有局限性,不能达到理想预测精度,不满足网络控制系统实时性的要求。
三、基于RBF神经网络的变采样周期时延补偿方案
动车组的网络控制系统是一种以通讯网络作为传输介质的闭环反馈控制系统。由于列车的发展使得网络控制大量被引入,虽然可使分布在不同位置的系统节点通过网络连接起来便于列车中央控制单元(MPU)进行统一处理,但是也不可避免的会带来诸多问题,其中数据传输的时延干扰是一个急需解决的问题。针对之前时延预测法存在的局限性,本文提出一种基于RBF神经网络的变采样周期时延补偿方案,包括四个部分:采样周期的确定、系统模型的建立、控制器的设计和仿真。
首先,因NCS时延具有变化性,故可变采样周期可以通过尝试使用实时时延大小来确定随后一次采样的时间间隙,这种办法具有三点优势:
(1)可以实时调整采样周期以保证网络可靠性,从而调整网络时延;
(2)能够使网络传输信道相对流畅;
(3)量化各个指标,将问题转化为线性代数问题,便于剖解系统状态。
其次,NCS时延具有复杂性,其时长变化莫测,加上硬件性能的局限和传输算法的性能,都是不可测的因素。因此,本文采用RBF深度学习神经网络来推演网络延时的产生机理和变化规律。根据NCS最优控制和极点配置原理(如图1所示),NCS中传感器与控制器之间的时延记为,NCS中控制器与执行器之间的时延记为,NCS中的预测时延大小记为,而NCS真实时延则用表示。
考虑到训练一个预测模型必须利用系统的真实情况来对模型参数进行调整,所以各个采样的时间点设为。每个NCS传感器都会生成信息数据包来记录真实时延。因此,得出,其中是被控对象状态;是数据包发送的时间。,其中是第次采样传感器到控制器的时间;是第次采样控制器到执行器的时间。需要說明的是:本文设立三个假设以满足对闭环系统的讨论:事件触发为控制器与执行器的触发方式,时间触发则为传感器的触发方式;控制目标与执行器时延为0;传输信道中的数据包均为单个,并且系统邻接丢包总量设有上限值。
通过上述控制器算法和RBF神经网络模型仿真,可以很好的预测网络时延,预测时延与真实时延相近,预测精度能够满足仿真要求。
小 结
本文通过实际案例,阐述动车组网络传输存在的问题及原因,分析传统网络时延预测法的局限性,提出了一种基于RBF神经网络的变采样周期时延补偿方案,并根据最优控制和极点配置相关理论,给出了可变采样周期时延补偿方案,并给出控制器设计方法。通过仿真,可以实现较高的时延预测精度,对动车组网络控制系统传输方案优化和动车组网络通信质量提升都具有很大的借鉴作用。