Розроблення структурної схеми та бази правил нейро-нечіткої системи керування дизель-генераторною установкою

Abstract

UA: 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.

EN: This article presents the development and validation of an intelligent control model for a dieselgenerator unit implemented in MATLAB/Simulink, integrating physical dynamics with adaptive neuro-fuzzy regulation. The study addresses the limitations of traditional control systems that fail to ensure sufficient adaptability under varying operational conditions such as track profile, train mass and section length. A comprehensive mathematical representation of the diesel engine, turbocharging, cooling, fuel injection and synchronous generator subsystems is constructed to reproduce nonlinear thermodynamic and electromechanical processes. On this foundation, a hybrid neuro-fuzzy controller based on ANFIS principles is introduced, combining data-driven learning with an interpretable rule base formed through Fuzzy C-Means clustering and refined via a hybrid backpropagation and gradient-descent training procedure. The paper analyses the resulting rule base, which captures the dependence of the corrective power coefficient on mass, gradient and route length, demonstrating stable and logically consistent behavior across 100, 200 and 300 km sections. The model ensures adaptive modification of fuel supply, excitation current and rotational speed based on sensor feedback and external requirements. Simulation results confirm the capability of the developed system to maintain energy efficiency, stabilise dynamic parameters and decrease fuel consumption under various traction scenarios. The model provides a unified computational environment for studying real-time interaction between physical processes and intelligent regulators, offering a basis for further extensions including more detailed combustion and electromagnetic models, deep neural architectures and multi-criteria optimisation frameworks. The proposed approach can serve as a foundation for advanced adaptive control of traction power systems and real-time hardware-in-the-loop implementations aimed at improving performance, ecological sustainability and operating stability of diesel-generator units.