柴油发电机具有高度非线性和时变性的特性，是一种复杂的动力机械。 并且柴油发电机往往在变速、变负载、变环境温度等复杂工况下作业，因为工作环境的变化，会致使柴油发电机的状态数据出现变化。为了保证柴油发电机在各种工况下仍能保持良好的运行状态，有必要对柴油发电机的状态数据进行调节。 目前的柴油发电机转速控制普遍采用PID控制算法。当柴油发电机在非标定工况下作业时，控制参数无法保证其稳定运转，这严重影响了速度控制器的控制效果以及柴油发电机的性能。因此，有必要探讨一种可以根据柴油发电机工作状态实时调整控制数据的控制算法。目前，电磁执行器式的位置控制式柴油发电机仍大量运用于市场，但电磁执行器式的位置控制式柴油发电机控制效果差，难以达到现代市场的需求。
为了提升速度控制器的自适应性能，前人做了许多工作。贾梦银[4]推荐了一种基于改进BP神经网络的在线整定PID参数怠速柴油发电机转速控制算法。孙剑波[5]进行了大功率低速二冲程柴油发电机神经网络机构仿真，结果表明:采用神经网络可以提升控制效果。总结前人的工作，很多人将BP神经网络和传统PID相结合以求对PID控制算法进行优化。然而，初始权值对BP神经网络的计算结果影响很大[6]。这会影响到柴油发电机的控制效果。当使用BP-PID控制算法时，初始权值是通过实验数据标定得到的[7]。因此，需要选取一种不依赖于初始权值的控制算法从而节省人力物力。
本文采用新型控制算法对此类柴油发电机进行优化，以解决目前市场上仍在大量使用的电磁执行器式的位置控制式柴油发电机的控制问题。在本文中，基于RBF神经网络和传统PID控制算法，设计了一种自适应RBF-PID控制算法，并建立仿真模型验证其可行性并验证这种自适应算法在柴油发电机速度控制上的优越性。
本文采用的RBF神经网络包括3层：输入层、隐含层和输出层[8]。根据柴油发电机特点和速度控制的需要，以转速、转速偏差和偏差变化率作为输入层，以PID控制参数作为输出层[9]。因此，神经网络的输入层与输出层的神经元个数均为3[10]。为了达到更好的逼近效果，预防过多的数据操作，根据经验，采用5个隐层神经元[11]。神经网络的结构如图1所示。
隐含层的神经元激活函数由径向基函数构成。由隐含层神经元构成的阵列运算单元称为隐含层节点[12]。每个隐含层节点包含一个中心向量，中心向量和输入数据向量X具有相同的维数[13]，它们之间的欧氏距离d可表示为
目前，柴油发电机速度控制中广泛采用含有曲轴转速和喷油泵齿条位移的双闭环控制算法[14]。电磁执行器的线性度很好，不受环境条件的影响。因此，双闭环中的内环即齿条的位置的控制，可以采用传统的PID算法[15]。柴油发电机是一种复杂的非线性时变动力机械，东莞发电机维修因此双闭环中的外环即速度的控制，可以采用经网络自适应PID控制算法[16]。本文中所用的双闭环控制策略如图2所示。
建立了柴油发电机平均值模型，该模型详细气缸充气效率子模型、柴油发电机进气子模型、热效率子模型及柴油发电机动力输出子模型结构。其中，缸内充气效率可视为柴油发电机转速的函数，通过柴油发电机的试验参数表即可得到[17]。
式中:ηv为汽缸充气效率，P3为进入汽缸空气的压力，V为柴油发电机气缸总容积，n为柴油发电机转速，T3为进入气缸的空气温度，Rg为理想气体常数。
指示热效率是曲轴速度与空燃比的函数；空燃比对热效率的影响远大于曲轴转速的影响。故而本文可以只考虑柴油发电机空燃比对指示热效率的影响，可通过实验标定得到。
柴油发电机的扭矩被假定为一个恒定转矩在一个工作周期内功能于主轴，等效于一个工作周期内的指示扭矩。因此柴油发电机的指示扭矩表示为
柴油发电机摩擦力矩模型分为理论模型和经验模型两种[18]。柴油发电机摩擦力矩的理论解析与柴油发电机的润滑情形、工况和环境因素有关。较为复杂，很难得到符合真实柴油发电机情形的理论模型。因此，康明斯不考虑复杂的摩擦力矩理论模型，只使用经验公式来描述的平均摩擦转矩和转速之间的经验关系:
为了验证初始权值对RBF-PID控制算法和BP-PID控制算法的影响，在突变负载的要素下，随机选型多组不同的初始权值进行实验，取其中具有代表性的5组(效果最好、瞬间调速率最大、稳定时间最长等)进行对比剖析。
从图6和图7两组图片可以得出：当改变加载程序中的初始权值时，加减载流程中两种不一样控制算法的速度稳定期间和超调量都将发生变化。从实验标定得到的最优初始权值开始，逐步调节初始权值，两种控制算法的速度控制效果都会不一样程度地变差。然而，比较图6和图7中的几组曲线，可以看出BP-PID控制算法的控制效果变化较大。相比之下，虽然RBF-PID控制算法的控制效果也产生了一定的变化，但变化幅度较小，仍然在保持柴油发电机稳定运行可接受的范围之内。
由此可以得出，BP-PID控制算法相比于RBF-PID控制算法对标定好的初始权值依赖更大。 因此，当外界环境产生较大变化时，采用BP神经网络控制算法，需要调节初始权值以满足控制要求，而RBF-PID控制算法采用未经标定的初始权值也可以满足控制要求。这表明RBF-PID控制算法具有更好的鲁棒性。
为了验证自适应转速控制途径的可行性，在采用最佳初始权值的要素下对启动、江门发电机维修突加载荷和突卸载荷3种状况进行了仿真，并进行了实验验证。 由图7可以看出BP-PID算法与RBF-PID算法在最优权值时的结果基本相同，因此只对RBF-PID算法与常规PID的结果进行对比分析。3种情形下的仿线中的(a)、(b)、(c)所示。自适应调速控制算法与常规PID算法的对比实验结果如图8中的(d)、(e)、(f)所示。主要实验数据如表1所示。
减载程序中仿真参数和实验参数的对比如图8(c)所示。RBF神经网络控制算法和普通PID控制算法在减载过程中的对比如图8(f)所示。
从图8(b)、(c)可以看出，在加载和减载的流程中，仿真参数与实验数据吻合较好。 这说明建立的模型是准确的。当比较图8(e)、(f)中的两条曲线时，可以得出：神经网络可以根据转速的变化实时地对控制参数进行优化。与普通PID相比，RBF-PID算法在加载和减载程序中，瞬态调速率较小，转速稳定期间也较短。
3) 由于RBF神经网络具有自适应能力，因此其可以根据速度、转速偏差和偏差变化率实时调节控制参数，速度自适应控制得以实现。在仿真和实验的过程中，RBF神经网络自适应PID监控系统的性能要优于传统的PID控制屏，该控制算法具有提升柴油发电机电子调速器的调速性能的能力。可在柴油发电机电子速度控制器开发中得到广泛应用。
