Інтелектуальна система керування дизель-генераторною установкою автономного рухомого складу на основі нейронно-нечітких моделей та еволюційної оптимізації

Abstract

UA: 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.

EN: This article addresses the critical challenge of improving the efficiency and adaptability of control systems for diesel generator units (DGUs) used in autonomous rail transport. The study introduces an intelligent control architecture based on hybrid neurofuzzy models capable of real-time adaptation and evolutionary optimization. The system is designed with a modular structure, incorporating four main components: a diesel engine operation forecasting module, a generator regulation block, a turbocharging control unit, and a centralized coordination module. The developed neuro-fuzzy system employs an Adaptive Neuro-Fuzzy Inference System (ANFIS) structure, combining the learning ability of neural networks with the interpretability of fuzzy logic. Evolutionary algorithms, specifically genetic algorithms and particle swarm optimization (PSO), are used for global parameter tuning to minimize a multi-objective loss function that considers fuel efficiency, stability, and environmental compliance. A key feature of the system is its online selflearning mechanism, allowing dynamic adaptation to component aging, operational uncertainty, and shifting load conditions. Furthermore, a Long Short-Term Memory (LSTM)-based module is integrated for technical state forecasting, enabling early detection of degradation and proactive maintenance planning. Simulation results demonstrate the robustness and responsiveness of the proposed control system across various operational scenarios. The architecture ensures sustained energy efficiency, reduced emissions, and resilience under sudden environmental or mechanical shifts. Future work includes enhancing the prediction accuracy of the LSTM module, integrating external environmental data, and expanding the system’s capabilities through incremental neural network learning methods. The presented research contributes to the development of smart energy systems in autonomous transport and provides a foundation for scalable, adaptive control technologies.