Інтелектуальна система керування дизель-генераторною установкою автономного рухомого складу на основі нейронно-нечітких моделей та еволюційної оптимізації
DOI:
https://doi.org/10.18664/ikszt.v30i2.335370Ключові слова:
дизель-генераторна установка, інтелектуальне керування, нейронно-нечіткі системи, еволюційна оптимізація, онлайн-адаптація, автономний рухомий складАнотація
У статті розглянуто проблему підвищення ефективності та адаптивності керування дизель-генераторними установками (ДГУ) автономного рухомого складу. Запропоновано інтелектуальну систему керування на основі нейронно-нечітких моделей із підтримкою онлайн-адаптації та еволюційної оптимізації. Розроблена система має модульну структуру, включаючи прогностичний блок, локальні регулятори та централізований координатор. Вона демонструє високу стійкість до змін умов експлуатації, здатна до самонавчання та мінімізації витрат. Запропоновано перспективи розвитку на основі глибших нейромережевих архітектур.
Посилання
Jurado F. & Saenz J. R. (2002). Neuro-fuzzy control for autonomous wind–diesel systems using biomass. Renewable Energy. 27(1). 39–56 DOI: 10.1016/S0960-1481(01)00170-7.
Conteh F., Tobaru S., Lotfy M. E., Yona A. & Senjyu T. (2017). An effective Load shedding technique for micro-grids using artificial neural network and adaptive neuro-fuzzy inference system. AIMS Energy. 5(5). 814–837. DOI: 10.3934/energy.2017.5.814.
Sun J., Yan Z., Han Y. & Yang C. (2023).Advancing predictive maintenance for gas turbines: an intelligent monitoring approach with ANFIS, LSTM and reliability analysis. Reliability Engineering & System Safety.
Abdolrasol M. G. M. et al. (2021). Artificial Neural Networks Based Optimization Techniques: A Review. Electronics. 10(21). 2689. DOI: 10.3390/electronics10212689.
Mohayedi H. et al. (2020).Optimization of ANFIS with GA and PSO estimating α ratio in driven piles. Engineering Computations.
Fu J., Gu S., Wu L., Wang N., Lin L. & Chen Z. (2025). Research on Optimization of Diesel Engine Speed Control Based on UKF-Filtered Data and PSO Fuzzy PID Control. Processes. 13(3). 777. DOI: 10.3390/pr13030777.
Hosoz M., Isik D. & Cevik M. (2013). ANFIS modelling of the performance and emissions of a diesel engine using diesel fuel and biodiesel blends. Fuel. 104. 140–148. DOI: 10.1016/j.fuel.2012.05.075.
Cheng Y., Zhang J., Al Shurafa M., Liu D., Zhao Y., Ding C. & Niu J. (2024). An improved multiple adaptive neuro-fuzzy inference system based on genetic algorithm for energy management system of island microgrid. Scientific Reports. DOI: 10.1038/s41598-025-98665-x.
Shamshirband S., Hadipoor M., Baghban A., Mosavi A., Bukor J. & Varkonyi-Koczy, A. Developing an ANFIS PSO Model to Estimate Mercury Emission in Combustion Flue Gases. arXiv preprint (2019). DOI: 10.48550/arXiv.1910.05118.
Sekhar D. C., Pokanati V. V. R. R. & Kiranmayi R. (2022). A novel efficient adaptive-neuro fuzzy inference system control based smart grid to enhance power quality. International Journal of Electrical and Computer Engineering. 12(4). 3375–3387. DOI: 10.11591/ijece.v12i4.pp3375-3387.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
