目前，针对普通内燃机车转速控制的挑战，PID控制方法在应用中存在一些限制。 由于PID控制参数是针对全局的最优控制设定，导致其在动态性能和鲁棒性方面表现不佳。

特别是在机车运行过程中，转速控制系统是一个时变的、非线性系统，不同工况下对PID控制的需求程度也不同，这使得采用PID控制时的控制性能和鲁棒性都较差。 因此，需要寻找一种更加适应机车转速控制需求的方法。

内燃机车转速控制的性能与所采用的控制方法密切相关。 优秀的控制方法能够确保机车在运行过程中能够平稳、安全地应对负载扰动。 在内燃机车转速控制领域，已经有众多学者进行了研究，并提出了各种解决方案来应对不同的问题。 这些研究从不同的角度入手，针对性地采用不同的方法来解决相关问题。

在内燃机车转速控制领域，神经网络被广泛应用，并且被认为是一种具有通用逼近能力的方法，能够以任意精度逼近各种系统。 其中，BP神经网络因其简单的结构和成熟的训练算法而备受关注。 本文结合了BP神经网络和模型预测控制（MPC）的优点，并将BP神经网络引入到内燃机车转速控制系统中，以提高控制性能。

采用BP神经网络的工作原理

控制原理：根据图中原理模拟图可知，MPC（模型预测控制）是一种通过滚动优化来实现控制的方法。 在每个采样时刻，MPC需要实时求解非线性优化问题，以获得最优的控制策略。 通过预测未来一段时间内系统的行为，并考虑约束条件和性能指标，MPC能够计算出在当前时刻下最适合的控制作用。 这种实时求解优化问题的特性使得MPC在内燃机车转速控制系统中具有优势，能够在面对负载扰动等变化情况下快速调整控制策略，确保机车的安全平稳运行。

神经网络工作算法原理：神经网络具有特别强大的非线性系统逼近能力，对于未知的非线性系统模型，可以通过神经网络对其进行建模。 在神经网络中，BP（反向传播）神经网络结构简单且训练算法成熟。 因此，本文采用了图2所示的BP神经网络结构对非线性系统进行建模。 通过训练神经网络，可以根据输入输出样本数据学习非线性系统的映射关系，从而实现对系统模型的拟合。

预测控制工作原理：为了改进图1所示的模型预测控制算法，本文提出了以下改进措施：首先，将预测模型改进为采用BP神经网络进行建模和预测，以提高对非线性系统的建模能力。 通过训练神经网络，可以学习系统的输入与输出之间的复杂映射关系，从而实现准确的模型预测。

其次，将滚动优化方法改进为采用神经网络的在线优化控制器。 在每个采样时刻，通过神经网络在线求解非线性优化问题，得出实时的控制作用。 这样可以充分利用神经网络的强大计算能力和逼近能力，实现对系统动态性能的优化控制。

改进后的算法原理框图如图4所示。 通过采用BP神经网络进行模型预测和在线优化控制，本文的改进算法在提高对非线性系统的建模精度和控制性能方面具有显著的优势。

模拟内燃机车转速控制的工作

内燃机车转速控制模型的主要组成部分包括给定转速、油门执行、柴油机和发电机模块，其控制框图如图5所示。 在内燃机车转速控制中，首先将当前发电机的转速与给定的转速进行比较，通过转速反馈形成差值。 然后，将差值输入转速控制模块，该模块根据最前面预测的转速控制算法工作原理然后计算出相对应的控制指令。然后得出相应结论，进行验证。

通过观察这个控制框图，内燃机车的转速控制系统能够根据实际转速与给定转速之间的偏差，自动调节油门执行单元，从而控制柴油机的转速以达到稳定的转速控制目标。

油门执行单元是用于控制柴油机的供油量的装置。 根据转速控制器提供的控制信号，它可以调节油门齿条的位置以达到特定的供油位L。 因此，我们可以将油门执行单元等效为一个一阶惯性环节，

柴油机单元根据油门执行单元对供油量的控制来调节柴油机的输出力矩Tm，以实现转速控制的目标。 由于柴油机的燃油燃烧和热力特性，油门执行单元对柴油机输出力矩Tm的控制具有一定的时滞性。油门执行单元的齿条位移L与柴油机输出力矩Tm之间成正比关系。

转速反馈单元通过转速传感器对发电机的转速进行实时采集，并将采集到的转速信号转换为相应比例的电压信号t，通过信号转换电路实现。

实验步骤

为了验证2所提出的工作算法在内燃机车转速控制中的有效性，我们使用MATLAB/Simulink对BP神经网络预测控制进行系统建模。 为了全面评估控制方法的有效性和鲁棒性，我们将其与传统PID控制、模糊控制、模糊自适应PID控制和模型预测控制（MPC）进行对比，并针对两种不同工况进行验证。

首先我们使用"Synchronous Machine pu Standard"作为标幺值同步发电机来模拟发电机模块。 油门执行单元的时间常数设定为Ts=1，柴油机的滞后时间常数设定为Td=1.5，比例系数k设定为1。 同时，考虑到内燃机车转速控制系统中各个机械环节之间存在时间滞后，我们加入了一个延时项，延时时间设定为0.1。 神经网络预测模型的参数设置如图下所示;

在试验之前，需要训练被控对象的模拟原型。 为了顺利开展此实验，我们随机让一系列阶跃序列在被控对象模型中活动，以便于生成模拟数据。 在本次实验中，我们设定训练样本数量为8000。 结果从图下所知：

然后，我们使用trainlm训练算法对被控对象模型进行模拟训练。 我们将迭代次数设置为200，并开始训练过程。 验证数据的结果如图8所示，展示了训练过程中的性能指标。 在前面训练模拟结束工作后，我们从中所得到的数据从下列图中展示：

最后，对最开始进行预测的转速控制想法进行验证。

实验不同情况值

状况一：在刚开始启动状况下转速的变化情况。

经过MATLAB/Simulink建模仿真后，我们得到了状况一的仿真结果，如图10所示。 在图中，我们可以看到它的工作原理，长虚线用来代表转速的变化过程点代表着模糊控制下的变化，短虚线代表在模糊PID控制下的变化，而点划线是代表着MPC控制下的变化过程，而基于BP神经网络预测控制的内燃机车转速变化是以实线来表示的。

情况二：内燃机在使用过程中发生两种改变，有两种原因，负载变大或减少。

在情况二中，第一种原因是在50秒、51秒和52秒时负载增加一倍，我们进行了相应的仿真并得到了结果，从图下可以看出。

其中，PID控制下的内燃机车转速变化以长虚线表示，模糊控制下的内燃机车转速变化以点线表示，模糊PID控制下的内燃机车转速变化以短虚线表示，MPC控制下的内燃机车转速变化以点划线表示，而基于BP神经网络预测控制的内燃机车转速变化以实线表示。

通过模拟实验，我们对情况一和情况二进行了控制算法的对比。 在第一个实验中， PID控制表现出较大的超调量和较慢的收敛时间，模糊控制相对于PID控制有所改善，但误差无法降为零。 模糊PID控制在收敛速度上比模糊控制更快，但超调量较大。 MPC控制在超调量和收敛时间方面优于模糊控制和模糊PID控制。 而基于BP神经网络预测控制的内燃机车转速控制在收敛时间和超调量方面表现出较好的性能。

在第二个实验中， PID控制在负载突变时转速波动较大，收敛时间较慢。 模糊控制由于缺乏积分环节无法将控制误差降为零，性能较差。 基于模糊PID控制的转速控制解决了PID控制参数和模糊控制积分环节缺失的问题，性能优于PID控制和模糊控制。 基于MPC控制的转速控制采用了模型预测、滚动优化和反馈校正，性能优于模糊PID控制。 基于BP神经网络预测控制的转速控制在模型预测和滚动优化中应用了BP神经网络预测模型，并通过优化算法实现最优控制，性能优于MPC控制。

总结

以上针对电传动内燃机车在负载扰动下可能出现的转速波动问题，提出了一种基于BP神经网络预测控制的解决方案。 该方案利用神经网络进行模型预测，采用梯度下降法设计神经网络的在线优化控制器，并通过反馈校正来补偿神经网络预测模型的失配，从而提高控制系统的鲁棒性。

在该方案中，神经网络被用于逼近内燃机车转速控制系统的非线性模型，以实现精确的模型预测。 为了优化控制性能，梯度下降法被应用于神经网络的在线优化控制器设计，通过反复迭代优化求解，使优化性能指标最小化。

为了增强系统的鲁棒性，引入了反馈校正机制，用于补偿神经网络预测模型的失配。 通过实时校正神经网络的输出，可以使控制系统更好地适应实际系统的动态变化和扰动，从而提高控制系统的鲁棒性和稳定性。

为了验证该方案的有效性，本文采用MATLAB/Simulink对内燃机车转速控制系统进行了建模和仿真实验。 通过与PID控制、模糊控制、模糊PID控制和MPC控制进行对比，实验结果表明基于BP神经网络预测控制的内燃机车转速控制在控制精度、响应时间、稳态误差和鲁棒性方面都具有明显的优势。

参考文献

[1] 刘强.智能制造理论体系架构研究[J].中国机械工程,2020,31(1):24-36.

[2] Tuegel E J, Ingraffea A R, Eason T G, et al.Reengineering A i r c r a f t S t r u c t u r a l L i f e P r e d i c t i o n U s i n g a Digital Twin[J].International Journal of Aerospace Engineering,2011,2011:14.

[3] Grieves M, Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems[M]. Transdisciplinary perspectives on complex systems. Springer, Cham,2017:85-113.

[4] 李欣,刘秀,万欣欣.数字孪生应用及安全发展综述[J].系统仿真学报,2019,31(3):385-392.

[5] 佚名.智能制造与数字孪生:关键技术与发展趋势[J].互联网经济,2019,(9):40-4.