Розроблення структурної схеми та бази правил нейро-нечіткої системи керування дизель-генераторною установкою
DOI:
https://doi.org/10.18664/ikszt.v30i4.351444Ключові слова:
дизель-генераторна установка, інтелектуальне керування, нейронечіткі системи, машинне навчання, автономний рухомий складАнотація
У статті подано комп’ютерну модель інтелектуальної системи керування дизель-генераторною установкою, реалізовану в середовищі MATLAB/Simulink. Описано формування структурної схеми, що поєднує фізичні моделі силових підсистем і модулі нейро-нечіткого керування. Особливу увагу приділено побудові бази правил, створеної на основі кластеризації Fuzzy C-Means і подальшого нейронного навчання, що забезпечує адаптацію системи до зміни маси поїзда, профілю колії та довжини ділянки руху.
Продемонстровано аналітичні залежності керувального коефіцієнта для різних експлуатаційних умов і показано здатність моделі прогнозувати оптимальні керувальні дії в режимі реального часу. Результати підтверджують ефективність поєднання нечіткої логіки та машинного навчання в системах керування дизель-генераторними установками.
Посилання
Fu J., Gu S., Wu L., Wang N., Lin L., Chen Z. Research on Optimization of Diesel Engine Speed Control Based on UKF-Filtered Data and PSO Fuzzy PID Control. Processes. 2025. Vol. 13, No. 3. Article 777.
Qin H., Wang L., Wang S., Ruan W., Jiang F. A Fuzzy Adaptive PID Coordination Control Strategy Based on Particle Swarm Optimization for Auxiliary Power Unit. Energies. 2024. Vol. 17, No. 21. Article 5311.
Gharib H., Gkasperis A., Svarnas P. Implementation and Possibilities of Fuzzy Logic for Optimal Operation and Early Fault Detection in Marine Diesel Engines. Machines. 2024. Vol. 12, No. 6. Article 425.
Saadat M., Feszty D., Liem R. Energyefficient operation of diesel–electric locomotives with fuzzy look-ahead control. Control Engineering Practice. 2016. Vol. 54. P. 129–142
Jafari Kaleybar H., Brenna M., Li H., Zaninelli D. Fuel Cell Hybrid Locomotive with Modified Fuzzy Logic Based Energy Management System. Sustainability. 2022. Vol. 14, No. 14. Article 8336.
Horobchenko O., Hrynkiv A., Zaitsev S. Creation of a model of automated traction control of shunting locomotive using fuzzy logic and expert evaluation methods. Transport Systems and Technologies. 2024. No. 1 (22). P. 37–48.
Goolak S., Shykora I., et al. Analysis of the Efficiency of Traction Drive Control Systems of Electric Rolling Stock Using MATLAB/Simulink. AIP Conference Proceedings. 2023. Vol. 2647. Article 060018.
Jurado F., Carpio J. Neuro-fuzzy control for autonomous wind–diesel systems. Renewable Energy. 2002. Vol. 27, No. 3. P. 413–422.
Jang J.-S. R., Sun C.-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River: Prentice Hall, 1997. 614 p.
Bose B. K. Neural and Fuzzy Logic Control of Drives and Power Systems. Oxford: Butterworth–Heinemann, 1997. 711 p.
MathWorks. Neuro-Adaptive Learning and ANFIS – Fuzzy Logic Toolbox Documentation. MATLAB & Simulink, 2023. URL: Neuro-adaptive learning and ANFIS (дата звернення: 27.10.2025).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
