Methodology for Training a Neuro-Fuzzy Control System for a Diesel-Generator Unit Under Variable Operating Conditions

Андрій Залата

Автор(и)

Андрій Залата Український державний університет залізничного транспорту

Ключові слова:

дизель-генераторна установка, інтелектуальне керування, нейро-нечіткі системи, машинне навчання, автономний рухомий склад

Анотація

У статті представлено комплексну методику розроблення інтелектуальної нейро-нечіткої системи керування дизель-генераторною установкою автономного рухомого складу. Дослідження спрямоване на підвищення енергоефективності, динамічної стабільності та адаптивності роботи силового агрегату в умовах значної варіативності експлуатаційних параметрів, зокрема маси поїзда, профілю колії та довжини ділянки руху. Запропоновано підхід, що поєднує кластеризацію даних за методом Fuzzy C-Means для формування базової структури нечіткої системи та використання комбінованого алгоритму машинного навчання, який містить зворотне поширення помилки і стохастичний градієнтний спуск. Це забезпечує автоматизоване налаштування параметрів функцій належності та підвищує точність моделювання нелінійних залежностей. У роботі наведено процес формування розширеної дискретної бази правил та побудови інтерпольованої поверхні керувальних дій, яка узагальнює поведінку системи в усьому робочому діапазоні параметрів. Представлено структурну схему нейро-нечіткого контролера, результати навчання та оцінювання моделі на контрольних даних. Показано, що система здатна коректно відтворювати оптимальні режими роботи дизель-генераторної установки з мінімальними відхиленнями та зберігає високі узагальнюючі властивості. Результати дослідження підтверджують ефективність поєднання методів нечіткої логіки і машинного навчання для реалізації адаптивних регуляторів у транспортних енергетичних системах та створюють підґрунтя для подальших розробок у сфері інтелектуального керування автономним рухомим складом.

Посилання

Al-Hadithi, B. M., & Gómez, J. (2025). Fuzzy control and modeling techniques based on multidimensional membership functions defined by fuzzy clustering algorithms. Applied Sciences, 15(8), 4479. https://doi.org/10.3390/app15084479.

Chen, T., & Chen, J. C.-Y. (2020). Decentralized fuzzy C-means robust algorithm for continuous systems. Aircraft Engineering and Aerospace Technology, 92(2), 222–228.

Cheng, Y., Zhang, J., Al Shurafa, M., Liu, D., Zhao, Y., Ding, C., & Niu, J. (2025). An improved multiple adaptive neuro fuzzy inference system based on genetic algorithm for energy management system of island microgrid. Scientific Reports, 15, 17988. https://doi.org/10.1038/s41598-025-98665-x.

Elborlsy, M. S., Hamad, S. A., El-Sousy, F. F. M., Mostafa, R. M., Keshta, H. E., & Ghalib, M. A. (2025). Neuro-fuzzy controller based adaptive control for enhancing the frequency response of two-area power system. Heliyon, 11(4), e42547. https://doi.org/10.1016/j.heliyon.2025.e42547.

Ferdaus, M. M., Anavatti, S. G., Garratt, M. A., & Pratama, M. (2019). Development of C-means clustering based adaptive fuzzy controller for a flapping wing micro air vehicle. Journal of Artificial Intelligence and Soft Computing Research, 9(2), 99–109. https://doi.org/10.2478/jaiscr-2018-0027.

Fekry, H. M., ElDesouky, A. A., Kassem, A. M., & Abdelaziz, A. Y. (2020). Power management strategy based on adaptive neuro fuzzy inference system for AC microgrid. IEEE Access, 8, 192087–192100. https://doi.org/10.1109/ACCESS.2020.3032705.

Fu, J., Li, J., Li, Y., Dai, X., Sun, J., & Xiao, J. (2025). Research on optimization of diesel engine speed control based on UKF-filtered data and PSO fuzzy PID control. Processes, 13(3), 777. https://doi.org/10.3390/pr13030777.

Gorobchenko, O., Holub, H., & Zaika, D. (2024). Theoretical basics of the self-learning system of intelligent locomotive decision support systems. Archives of Transport, 71(3), 169–186. https://doi.org/10.61089/aot2024.gaevsp41.

Gorobchenko, O., Zaika, D., Maliuk, S., Arkhypov, O., & Nevedrov, O. (2025). Research of theoretical basis of implementation of intelligent control systems for locomotive traction transmission. Transport Systems and Technologies, (45), 145-160. https://doi.org/10.32703/2617-9040-2025-45-11.

Hussein, H., Aloui, A., & AlShammari, B. (2018). ANFIS-based PI controller for maximum power point tracking in PV systems. International Journal of Advanced and Applied Sciences, 5(2), 90–96.

Kumar, K., Das, M., & Karn, A. K. (2024). ANFIS robust control application and analysis for load frequency control with nonlinearity. Journal of Electrical Systems and Information Technology, 11, 65. https://doi.org/10.1186/s43067-024-00175-9.

Mantalas, E.-M., Sagias, V. D., Zacharia, P., & Stergiou, C. I. (2025). Neuro-fuzzy model evaluation for enhanced prediction of mechanical properties in AM specimens. Applied Sciences, 15(1), 7. https://doi.org/10.3390/app15010007.

Nasim, F., Khatoon, S., Ibraheem, Urooj, S., Shahid, M., Ali, A., & Nasser, N. (2025). Hybrid ANFIS-PI-based optimization for improved power conversion in DFIG wind turbine. Sustainability, 17(6), 2454. https://doi.org/10.3390/su17062454.

Oladipo, S., Sun, Y., & Adegoke, S. A. (2025). Application of soft computing techniques to load frequency control system of electric power systems: A brief survey. Cogent Engineering, 12(1), 2572297. https://doi.org/10.1080/23311916.2025.2572297.

Panoiu, M., Panoiu, C., & Mezinescu, S. (2023). Modelling and prediction of reactive power at railway stations using adaptive neuro fuzzy inference systems. Applied Sciences, 13(1), 212. https://doi.org/10.3390/app13010212.

Rahmani, M., Arabi Nowdeh, S., & colleagues. (2018). Frequency control of islanded microgrids based on fuzzy controller equipped with STATCOM. Journal of Renewable Energy and Environment.

Selvaraju, R. K., & Somaskandan, G. (2017). ACS algorithm tuned ANFIS-based controller for LFC in deregulated environment. Journal of Applied Research and Technology, 15(2), 152–166. https://doi.org/10.1016/j.jart.2017.01.010.

Sharma, K., Menaka, C., Saraswat, N., & Kulhar, K. S. (2024). Neuro-fuzzy controllers for power quality improvement of grid connected PV-battery-diesel based hybrid supply system. E3S Web of Conferences, 540, 10002. https://doi.org/10.1051/e3sconf/202454010002.

Shynkarenko, V. I., Sablin, O. I., & Ivanov, O. P. (2016). Constructive modelling for zone of recovery energy distribution of DC traction. Science and Transport Progress, 5(65), 125–135. https://doi.org/10.15802/stp2016/84036.

Wang, D., & Dang, G. (2024). Fuzzy recurrent stochastic configuration networks for industrial data analytics. IEEE Transactions on Fuzzy Systems. Advance online publication. https://doi.org/10.1109/TFUZZ.2024.3511695.