宋程 王元東 徐濱全

摘? 要：當(dāng)前，高速動(dòng)車組的控制系統(tǒng)迅速向網(wǎng)絡(luò)化與智能化方向發(fā)展，網(wǎng)絡(luò)控制系統(tǒng)已被大規(guī)模地應(yīng)用于高速動(dòng)車組的控制系統(tǒng)之中，網(wǎng)絡(luò)控制系統(tǒng)可實(shí)時(shí)地傳輸高速動(dòng)車組中各個(gè)設(shè)備的數(shù)據(jù)并監(jiān)控高速動(dòng)車組的運(yùn)行狀態(tài)，以保證高速動(dòng)車組安全地運(yùn)行。但高速動(dòng)車組的通信網(wǎng)絡(luò)控制端口和變量數(shù)目非常多且各端口的長度與特征周期也各異。故高速動(dòng)車組的網(wǎng)絡(luò)控制系統(tǒng)在輸出數(shù)據(jù)的時(shí)候，不可避免地出現(xiàn)網(wǎng)絡(luò)時(shí)延現(xiàn)象，該現(xiàn)象嚴(yán)重地威脅著高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)的實(shí)時(shí)性和穩(wěn)定性。由于高速動(dòng)車組的網(wǎng)絡(luò)控制系統(tǒng)是一種非線性系統(tǒng)，故文章針對帶有時(shí)延問題的高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)，提出一種有效的優(yōu)化方法，即將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測與廣義預(yù)測控制結(jié)合起來，先根據(jù)BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的方法對網(wǎng)絡(luò)控制系統(tǒng)未來的輸出進(jìn)行預(yù)測，然后利用遞推最小二乘法對網(wǎng)絡(luò)控制系統(tǒng)未來時(shí)刻的系統(tǒng)參數(shù)進(jìn)行辨識(shí)，將非線性網(wǎng)絡(luò)控制系統(tǒng)在每一時(shí)刻進(jìn)行線性化處理，最后由廣義預(yù)測控制算法補(bǔ)償非線性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延且對所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明：該方法可有效地消除高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延，同時(shí)具有實(shí)時(shí)性高、計(jì)算速度快及魯棒性強(qiáng)等優(yōu)點(diǎn)，顯著地優(yōu)化了帶有時(shí)延問題的高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);廣義預(yù)測控制;遞推最小二乘法;高速動(dòng)車組;網(wǎng)絡(luò)時(shí)延

中圖分類號：TP39 ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號：2095-2945（2020）09-0001-05

Abstract： At present， the control system of high-speed EMU is rapidly developing in the direction of networking and intelligence， and the network control system has been widely used in the control system of high-speed EMU. The network control system can transmit the data of each equipment in the high-speed EMU in real time and monitor the running status of the high-speed EMU， so as to ensure the safe operation of the high-speed EMU. However， the communication network control ports and variables of high-speed EMU are very large， and the length and characteristic period of each port are also different. Therefore， when the networked control system of high-speed EMU outputs data， the phenomenon of network delay is inevitable， which seriously threatens the real-time performance and stability of the networked control system of high-speed EMU. Because the networked control system of high-speed EMU is a kind of nonlinear system， this paper proposes an effective optimization method for the nonlinear networked control system of high-speed EMU with time delay， that is， combining BP neural network recursive prediction with generalized predictive control， firstly， the future output of networked control system is predicted according to the recursive prediction method of BP neural network. Then the recursive least square method is used to identify the system parameters of the networked control system in the future， and the nonlinear networked control system is linearized at every moment. Finally， the time delay of the nonlinear networked control system is compensated by the generalized predictive control algorithm， and the experimental simulation of the proposed method is carried out. The experimental results show that this method can effectively eliminate the time delay of the networked control system of high-speed EMU. At the same time， it has the advantages of high real-time performance， fast computing speed and strong robustness， which significantly optimizes the nonlinear networked control system of high-speed EMU with time delay.

Keywords： BP neural network; generalized predictive control; recursive least square method; high-speed EMU; network delay

1 概述

隨著中國高速鐵路的快速發(fā)展，高速動(dòng)車組網(wǎng)絡(luò)控制技術(shù)有了巨大的突破。雖然傳統(tǒng)的控制系統(tǒng)已在工業(yè)上得到了廣泛地應(yīng)用，但其發(fā)展空間已達(dá)到極限，故迫切地需要一種數(shù)據(jù)傳輸可靠且能實(shí)時(shí)地進(jìn)行控制的網(wǎng)絡(luò)系統(tǒng)。列車通信網(wǎng)絡(luò)（TrainCommunicationNet，TCN）應(yīng)運(yùn)而生，1999年國際電工委員會(huì)通過的標(biāo)準(zhǔn)成為動(dòng)車組控制網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)的主流[1]。為實(shí)現(xiàn)精準(zhǔn)且實(shí)時(shí)地控制，TCN網(wǎng)絡(luò)利用過程數(shù)據(jù)來進(jìn)行周期性地更新。對于非緊迫的且數(shù)據(jù)量過大的數(shù)據(jù)，TCN網(wǎng)絡(luò)使用消息數(shù)據(jù)來進(jìn)行數(shù)據(jù)的有效傳輸。相比于傳統(tǒng)的工業(yè)控制系統(tǒng)，高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)對傳輸數(shù)據(jù)的實(shí)時(shí)性要求極高，但高速動(dòng)車組通信網(wǎng)絡(luò)控制端口和變量非常多且各端口的長度和特征周期也各異。故數(shù)據(jù)在傳輸?shù)倪^程中不可避免地產(chǎn)生網(wǎng)絡(luò)時(shí)延現(xiàn)象，這極大地影響了高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)的安全性。

本文研究了帶有時(shí)延現(xiàn)象的高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)，提出了一種有效的優(yōu)化方法，即將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測與傳統(tǒng)的廣義預(yù)測控制結(jié)合起來，以優(yōu)化高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)且對所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果對高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計(jì)具有重要的意義。

2 高速動(dòng)車組通信網(wǎng)絡(luò)結(jié)構(gòu)

中國標(biāo)準(zhǔn)動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)遵循GB/T 28029.1-2011標(biāo)準(zhǔn)，高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)采用兩級總線式拓?fù)浣Y(jié)構(gòu)，分為動(dòng)車組級總線WTB和車輛級總線 MVB，布設(shè)以太網(wǎng)來實(shí)現(xiàn)軟件更新及數(shù)據(jù)下載[2]。通過制定動(dòng)車組級及車輛級通信協(xié)議，實(shí)現(xiàn)對高壓、牽引等系統(tǒng)在內(nèi)的整車邏輯控制、狀態(tài)監(jiān)視、故障診斷，并實(shí)現(xiàn)互聯(lián)互通。將TCN網(wǎng)關(guān)作為動(dòng)車組級和車輛級的數(shù)據(jù)轉(zhuǎn)換器，高速動(dòng)車組通信網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。高速動(dòng)車組不同牽引單元的重要數(shù)據(jù)通過WTB總線進(jìn)行通信并把數(shù)據(jù)傳輸給中央控制單元處理，高速動(dòng)車組的關(guān)鍵子系統(tǒng)與中央控制單元之間的數(shù)據(jù)交換是通過MVB總線與輸入輸出模塊來實(shí)現(xiàn)的。高速動(dòng)車組同時(shí)采用以太網(wǎng)作為總線，通過各車廂的以太網(wǎng)交換機(jī)與顯示屏、無線傳輸裝置等設(shè)備相連接來實(shí)現(xiàn)數(shù)據(jù)的交換。

3 高速動(dòng)車組網(wǎng)絡(luò)時(shí)延產(chǎn)生的原因和分類

高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)對實(shí)時(shí)傳輸數(shù)據(jù)的要求極高，但實(shí)時(shí)控制一般采用過程數(shù)據(jù)傳輸，把變量周期性地置于控制單元之間發(fā)送且高速動(dòng)車組通信網(wǎng)絡(luò)控制端口與變量的數(shù)量非常多，此外各端口的長度及特征周期也各異[3]。故在數(shù)據(jù)傳輸?shù)倪^程中會(huì)不可避免地產(chǎn)生網(wǎng)絡(luò)時(shí)延現(xiàn)象。這對高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)的實(shí)時(shí)性與穩(wěn)定性產(chǎn)生了嚴(yán)重的威脅，產(chǎn)生網(wǎng)絡(luò)時(shí)延的主要因素有：網(wǎng)絡(luò)帶寬受限、網(wǎng)絡(luò)信息源過多、數(shù)據(jù)碰撞及網(wǎng)絡(luò)負(fù)載的隨機(jī)變化。把網(wǎng)絡(luò)時(shí)延定義為：一個(gè)報(bào)文或分組從網(wǎng)絡(luò)的一端傳輸至另一端所需的時(shí)間。以下分別介紹幾種時(shí)延并分析。

（1）發(fā)送時(shí)延。發(fā)送時(shí)延是指計(jì)算機(jī)或路由器把數(shù)據(jù)包全部傳輸至傳輸媒介中所需的時(shí)間。（2）傳播時(shí)延。數(shù)據(jù)通過傳播媒介的時(shí)間稱為傳播時(shí)延，網(wǎng)絡(luò)的傳播時(shí)延的大小與其傳播距離正相關(guān)。（3）處理時(shí)延。在高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)中，計(jì)算機(jī)和路由器都需要對接收到的數(shù)據(jù)進(jìn)行處理，所消耗的時(shí)間稱為處理時(shí)延。網(wǎng)絡(luò)傳輸數(shù)據(jù)越多，處理時(shí)延就越大。（4）排隊(duì)時(shí)延。數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)倪^程中，需經(jīng)過許多不同的路由器，但路由器不能同時(shí)處理發(fā)送的數(shù)據(jù)，故數(shù)據(jù)需在路由器中排隊(duì)等待，所消耗的時(shí)間稱為排隊(duì)時(shí)延。

根據(jù)以上分析可知：網(wǎng)絡(luò)時(shí)延=傳播時(shí)延+發(fā)送時(shí)延+處理時(shí)延+排隊(duì)時(shí)延

4 BP神經(jīng)網(wǎng)

BP神經(jīng)網(wǎng)絡(luò)是一種帶有反饋通道且可自我學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)最基本的算法是梯度下降法[4]，其原理為：為了提高整個(gè)BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率，將實(shí)際輸出與期望輸出相比較，若兩者的誤差較大，就開始反向傳播，從而不斷地更新BP神經(jīng)網(wǎng)絡(luò)連接的權(quán)值，直到兩者的誤差在預(yù)先設(shè)定的范圍內(nèi)。

4.1 BP神經(jīng)網(wǎng)絡(luò)正向通道算法

用N個(gè)樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，當(dāng)前時(shí)刻使用p個(gè)樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，樣本P由輸入層到隱含層第i個(gè)神經(jīng)元的輸入是：

5 廣義預(yù)測控制

廣義預(yù)測控制是指系統(tǒng)先通過預(yù)測、校正及優(yōu)化后輸出一個(gè)控制量，再采集系統(tǒng)下個(gè)時(shí)刻的輸出且不斷地重復(fù)上述步驟，實(shí)時(shí)地控制系統(tǒng)，最終達(dá)到確?？刂葡到y(tǒng)穩(wěn)定運(yùn)行的目的[6]。對系統(tǒng)進(jìn)行預(yù)測控制且不斷地提高高速動(dòng)車組運(yùn)行的穩(wěn)定性及安全性，本文選擇受控自回歸積分滑動(dòng)平均模型作為廣義預(yù)測控制模型，該模型可表示為[7]：

式（5-20）為狀態(tài)空間形式的廣義預(yù)測控制規(guī)律。在上述廣義預(yù)測的算法之中，由于在模型的預(yù)測中實(shí)際值與預(yù)測值可能不一樣，故在控制的過程中只對當(dāng)前時(shí)刻進(jìn)行控制且把當(dāng)前時(shí)刻的控制值與系統(tǒng)上個(gè)時(shí)刻的預(yù)測值進(jìn)行比較，通過誤差對模型預(yù)測值進(jìn)行校正，重復(fù)上述步驟可不斷地優(yōu)化和校正。故在控制系統(tǒng)受到外界因素的干擾或期望值與預(yù)測值的誤差較大時(shí)，反饋會(huì)校正控制系統(tǒng)。廣義預(yù)測控制有效地克服了系統(tǒng)中不確定性所帶來的影響，增強(qiáng)了系統(tǒng)的控制性能，對高速動(dòng)車組網(wǎng)絡(luò)控制具有重要的意義。

6 遞推最小二乘法辨識(shí)

遞推最小二乘法辨識(shí)，主要可分為：在線辨識(shí)和離線辨識(shí)，在線辨識(shí)是指實(shí)時(shí)地獲取控制系統(tǒng)中的數(shù)據(jù)且利用遞推最小二乘法對系統(tǒng)中各參數(shù)進(jìn)行辨識(shí)，且實(shí)時(shí)地對系統(tǒng)中的參數(shù)進(jìn)行更新、不斷地減小參數(shù)的誤差，使其不斷地接近目標(biāo)值[8]。離線辨識(shí)是指先獲取系統(tǒng)中所有數(shù)椐，然后再進(jìn)行辨識(shí)但系統(tǒng)的參數(shù)不會(huì)實(shí)時(shí)地更新[9]。在線辨識(shí)相比較于離線辨識(shí)，在線辨識(shí)可實(shí)時(shí)地修正辨識(shí)參數(shù)，故在高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)中選用在線辨識(shí)更具有優(yōu)勢。

7 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測與動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)

7.1 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測

通常非線性模型用離散時(shí)間數(shù)學(xué)模型可表示為：

上式中n，m分別為非線性控制系統(tǒng)的輸出y（k）與輸入u（k）的階次，f（*）是不確定的非線性函數(shù)。由以上可得：

故根據(jù)遞推預(yù)測原理可得出d步之后，k+d時(shí)刻的系統(tǒng)預(yù)測輸出值為：

BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測模型

選用BP神經(jīng)網(wǎng)絡(luò)最主要的原因是BP神經(jīng)網(wǎng)絡(luò)能較準(zhǔn)確地逼近非線性模型，能表示出無法用數(shù)學(xué)函數(shù)描述的非線性系統(tǒng)[10]，且多步遞推預(yù)測具有良好的準(zhǔn)確性與實(shí)時(shí)性。

7.2 高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測與廣義預(yù)測控制結(jié)合起來，以解決高速動(dòng)車組中非線性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延問題。傳統(tǒng)的廣義預(yù)測控制適用于線性系統(tǒng)且對網(wǎng)絡(luò)控制系統(tǒng)中常見的時(shí)延具有良好的補(bǔ)償作用[11]，但高速動(dòng)車組的網(wǎng)絡(luò)控制系統(tǒng)為非線性系統(tǒng)，故須先根據(jù)BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的方法對控制系統(tǒng)未來的輸出進(jìn)行預(yù)測，然后利用最小二乘法對系統(tǒng)未來時(shí)刻的系統(tǒng)參數(shù)進(jìn)行辨識(shí)，將非線性系統(tǒng)在每一時(shí)刻進(jìn)行線性化處理，最后由廣義預(yù)測控制算法補(bǔ)償時(shí)延對非線性網(wǎng)絡(luò)控制系統(tǒng)的影響。高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)框圖如圖3所示。

由于高速動(dòng)車組網(wǎng)絡(luò)控制系統(tǒng)對實(shí)時(shí)性要求較高，故BP神經(jīng)網(wǎng)絡(luò)預(yù)測部分及遞推最小二乘法部分均是按照時(shí)間順序進(jìn)行的，遞推算法的思想為：當(dāng)前時(shí)刻的計(jì)算值等于前一時(shí)刻或前幾個(gè)時(shí)刻的計(jì)算值與修正項(xiàng)之和。

8 實(shí)驗(yàn)仿真與結(jié)果分析

8.1 高速動(dòng)車組制動(dòng)模型

8.2 BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測的建立與訓(xùn)練

本文所采用的基本網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)，對高速動(dòng)車組制動(dòng)模型進(jìn)行數(shù)據(jù)采集并制成數(shù)據(jù)集，用所得數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。把當(dāng)前時(shí)刻及上一時(shí)刻的速度輸入BP神經(jīng)網(wǎng)絡(luò)之中，把下一時(shí)刻的速度作為輸出，創(chuàng)建一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)。隱含層的激活函數(shù)為tansig函數(shù)，輸出層的函數(shù)為purelin函數(shù)。隱含層神經(jīng)元設(shè)置過多或過少產(chǎn)生的現(xiàn)象分別是：BP神經(jīng)網(wǎng)絡(luò)收斂過慢、BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與實(shí)際輸出的誤差較大。故需對不同數(shù)量的神經(jīng)元進(jìn)行測試，精度取0.001，把隱含層神經(jīng)元的數(shù)量分別設(shè)置為10、30、50、100，通過上面的模型可得500個(gè)數(shù)據(jù)，450個(gè)數(shù)據(jù)作為訓(xùn)練集，50個(gè)數(shù)據(jù)作為測試集，測試的參數(shù)為：運(yùn)行時(shí)間的最大值、實(shí)際輸出與期望輸出之間的誤差及單次數(shù)據(jù)處理所需要的時(shí)間。實(shí)驗(yàn)結(jié)果如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)測試實(shí)驗(yàn)

由表1可知，100個(gè)比10個(gè)神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間的平均值要大0.83ms，但誤差的平均值要遠(yuǎn)小于10個(gè)神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)。當(dāng)BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)由30變?yōu)?0時(shí)，BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出之間的誤差減小，這說明隱含層神經(jīng)元個(gè)數(shù)越多，誤差越小。但BP神經(jīng)網(wǎng)絡(luò)的處理速度也會(huì)變慢。在高速動(dòng)車組上采樣周期一般為64ms，故隱含層神經(jīng)元個(gè)數(shù)選為50。依據(jù)不同工作區(qū)間再分別取100組數(shù)據(jù)，共采集數(shù)據(jù)500組，450組數(shù)據(jù)為訓(xùn)練集，50組數(shù)據(jù)為測試集。訓(xùn)練步長取1000，性能指標(biāo)取0.1%，學(xué)習(xí)速率取為10%。

8.3 高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)仿真

為驗(yàn)證本文所提出的方法的有效性，將已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)加入到非線性網(wǎng)絡(luò)控制系統(tǒng)中進(jìn)行仿真。對有無時(shí)延補(bǔ)償進(jìn)行對比實(shí)驗(yàn)，驗(yàn)證時(shí)延補(bǔ)償?shù)挠行?。把方波信號作為目?biāo)信號，加入特征周期為64ms時(shí)，測試得到的時(shí)延數(shù)據(jù)，任務(wù)周期和采樣周期分別為50ms與64ms。分別對加入時(shí)延補(bǔ)償和未加入時(shí)延補(bǔ)償?shù)姆蔷€性網(wǎng)絡(luò)控制系統(tǒng)進(jìn)行仿真。無時(shí)延補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)遞推預(yù)測控制效果如圖5所示。由圖5可知，在對方波信號的跟蹤過程之中，存在較大的誤差、波動(dòng)較大且對目標(biāo)信號的跟蹤不穩(wěn)定，控制系統(tǒng)整體的控制性能不理想。

有時(shí)延補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)遞推預(yù)測控制效果及誤差如圖6與7所示。由圖6和7可知，在跟蹤方波的實(shí)驗(yàn)過程中，加入時(shí)延補(bǔ)償后控制系統(tǒng)在初始階段會(huì)出現(xiàn)一個(gè)非常短暫的振蕩，但之后便可較快、較穩(wěn)定地跟蹤方波目標(biāo)信號且誤差波動(dòng)的幅度較小，相對穩(wěn)定，在穩(wěn)定階段最大誤差小于±3。故加入時(shí)延補(bǔ)償可較好地提高系統(tǒng)的控制性能。

9 結(jié)束語

本文將BP神經(jīng)網(wǎng)絡(luò)遞推預(yù)測與廣義預(yù)測控制結(jié)合起來，可有效地消除高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延現(xiàn)象且利用MATLAB軟件對所提出的方法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)中對比了有無時(shí)延補(bǔ)償對非線性網(wǎng)絡(luò)控制系統(tǒng)控制性能的影響。本文的實(shí)驗(yàn)證明了所提出的方法具有抑制時(shí)延效果好且實(shí)時(shí)性高、控制效果好、計(jì)算速度快及魯棒性強(qiáng)等優(yōu)點(diǎn)，對高速動(dòng)車組非線性網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計(jì)具有重要的參考價(jià)值。

參考文獻(xiàn)：

[1]Tindell K， Bruns A， Wellings A J. Caclulating Controller AreaNetwork（CAN） Message Respnese Times[J]. Control Eng. Practice，1995，3（8）：1163-1169.

[2]G.-B. Huang，Q.-Y. Zhu， and C.-K. Siew，"Extreme learning machine： A new learning scheme of feedforward neural networks，" in In Proc. International Joint Conference on Neural Networks （IJCNN'2004）， （Budapest， Hungary）， July 25-29，2004.

[3]倪文波，王雪梅.高速列車網(wǎng)絡(luò)與控制技術(shù)[M].西南交通大學(xué)出版社，2010.

[4]G.E. Hinton， N. Srivastave， A. Sutskever， I. Sutskever， and R.R. Salakhutdinov. Improving neural networks by preventing co-adaptation of feature detectors. arXiv：1207.0580， 2012.

[5]LIAN F L， Moyue J R，Tibury D M. Network design consideration for distributed control systems[J]. IEEE Trans on Contr Syst Tech， 2002，10（2）：297-307.

[6]王巖，孫增圻.網(wǎng)絡(luò)控制系統(tǒng)分析與設(shè)計(jì)[M].北京：清華大學(xué)出版社，2009.

[7]Liman Yang， Yunhua Li， Guilin Yang. Analysis of Delay and TrafficLoad in Networked Control System [C]//Proceedings of the 2005IEEE/ASME International Conference on Advanced Intelligent Mechatronics. USA： IEEE/ASME， 2005： 1425-1430.

[8]LI H B，CHOW M Y.EDA-based speed control of a networked DC motor system with time delays and packet losses[J]. IEEE Transactions on Industrial Electronics，2009，56（5）：1727-1735.

[9]Hespanha J P， Naghshtabrizi P， Xu Y G： A survey of recentresults in networked control systems[J]. Proceedings of the IEEE，2007，95（1）：138-162.

[10]龔利.鐵路機(jī)車遠(yuǎn)程監(jiān)測與故障診斷系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)工程，2012，38（4）：227-229.

[11]Fei-Yue Wang， Derong Liu， in：Networked Control Systems Theory and Applications， Springer Publishers， London（2008）.