0 引　言

随着现代船舶技术的快速发展，船舶发电机组作为船舶电站系统的核心部分，其稳定性和效率对于确保船舶正常运行和提高能源利用率具有至关重要的作用。在复杂的海洋环境中，发电机组需适应多变的负载条件和操作要求，为确保发电机组的稳定输出，对转速控制系统的性能提出更高要求^[1]。传统单片机控制器由于运算速度较慢、内部资源和接口容量有限，限制了系统精度的提升，已无法满足市场需求，而DSP因其高计算性能和实时处理能力，已成为实现复杂控制系统的理想选择^[2]。DSP硬件在环仿真中允许开发者在安全的环境中对控制器进行全面的测试。通过将真实的控制器与模拟的被控对象连接，可以在不同操作条件下测试控制器的性能，这与实际的物理原型测试相比，可避免建造多个原型的需求，显著降低测试成本，提高开发效率^[3]。DSP结合先进控制算法，能够提供快速的数据处理和控制决策，已成为复杂系统核心控制器的发展趋势^[4]。

船舶柴油发电机组作为船舶电力系统的核心部分，其转速的稳定控制对于保障全船电力供应的质量与可靠性具有至关重要的作用。传统PID控制尽管具备算法简洁、稳定性强等优点，但其存在明显不足，即依赖固定参数，难以适应复杂的动态工况，本质上仅适用于线性控制场景^[5]。而船舶柴油发电机组在实际运行中，受负载突变、海浪波动等环境扰动因素影响，系统参数表现出显著的非线性与时变特性^[6]。尤其在船舶运行过程中，频繁的负载切换会引发剧烈的转速波动，进而影响船舶电力系统的电网频率稳定，降低供电质量。因此，控制算法须同时具备快速响应和强大的抗干扰能力，以应对船舶柴油发电机组转速控制的复杂性和高要求。

为克服传统PID控制的局限性，众多学者积极探索创新，提出了多种智能控制算法用于优化传统PID控制，如模糊PID控制、神经网络PID控制、变结构控制等。然而，这些方法在实际应用中仍存在各自的问题：模糊PID控制依赖于规则库的完备性，规则设计过程复杂且易受主观因素影响，难以有效应对复杂的非线性系统^[7]；变结构控制则存在抖振问题，可能加剧机械磨损，影响系统的长期稳定性和可靠性^[8]。相比之下，BP神经网络拥有强大的自学习能力和自适应性能将非线性系统输入输出映射出来，BP神经网络通过在线学习，能够动态调整PID参数（K_p，K_i，K_d），成功克服了传统PID依赖人工调参的局限性^[9]。在实际应用中，BP神经网络与PID控制器相结合，前者负责前馈补偿非线性扰动，后者则保证系统的稳态精度，二者协同作用，能够显著缩短调节时间，提高控制系统的整体性能^[10]。张肖江等^[11]将BP神经网络PID控制算法用于水下航行器的舵机控制，相较传统PID控制表现出更好动态响应特性和更强抗干扰能力。丁茂森等^[12]针对船舶柴油发电机组转速控制问题，形成了BP-PID并行控制，该方法中BP神经网络在PID控制器下不断学习，最终取代PID控制器由BP神经网络起控制作用，虽验证了其可行性，但该方法依赖于BP神经网络的大量训练学习，不同于BP-PID控制算法中在线调整PID控制参数，系统实时性较差。可见BP-PID控制算法中利用BP神经网络的高精度拟合能力，能够对船舶柴油机的非线性特性问题进行精确补偿，如燃油喷射延迟、扭矩-转速曲线非线性等，从而有效解决船舶系统中存在的非线性、时变性问题，弥补传统PID控制方法的不足。

然而，现有研究多聚焦于理论仿真或通用场景，并没有将BP-PID控制算法用于实际控制器来验证该算法的有效性。为此，本文提出一种船舶柴油发电机组硬件在环转速控制系统，将被控对象模型和实际控制连接起来，不仅能以更接近实际系统下验证BP-PID控制算法的有效性，还能减少实际测试的风险和成本，并进一步为其他新型控制策略的验证提供支持。

1 船舶柴油发电机组转速控制系统

船舶的电力系统供电质量受到柴油发电机组控制系统特性的显著影响，其中转速控制对于维持发电机的有功输出和船舶电网频率的稳定起着关键作用。在控制方面，为确保其稳定运行，常采用PID控制器调节供油量以实现对柴油发电机组转速的精确控制。船舶柴油发电机组转速控制系统如图1所示。

在柴油发电系统的仿真研究中，通常使用简化的二阶模型来表征柴油机及其调速系统。该系统由主控制器和放大器组成，形成一个集成了比例微分与二阶惯性特性的复合控制器，用于精确调控柴油机的油门执行机构。此外，柴油机的转速响应需考虑其固有的时间延迟特性，并通过积分运算转换为相应的转矩输出。转矩信号经过机组的延迟环节处理后，与转速信号在乘法器中相乘，生成转矩功率信号，进而驱动发电机输出电功率。基于此，可推导出包含传统PID控制器的船舶柴油发电机转速控制系统的传递函数：

$ G = \frac{{K(T_{1}s + 1)(T_{3}s + 1)e ^{- \tau s}}}{{s(T_{2}^{2}s^{2}+ 2\xi T_{2}s + 1)(T_{4}s + 1)(T_{5}s + 1)}}。$

(1)

本文选用船舶柴油发电机组转速控制系统中的相关参数为：K=40，T₁=0.2 s，$T_{2}^{2}$=0.0002 s²，τ=0.05 s，T₃=0.25 s，T₄=0.009 s，T₅=0.038 s。

2 BP神经网络PID控制策略

本文DSP控制器核心控制算法采用的是BP神经网络PID控制算法。BP神经网络具备出色的自学习和适应性，能够根据DSP控制器采集到的信号实时调节PID控制器的3个参数，因此，它能够替代人工经验进行参数调整，实现对复杂系统的实时控制。

在BP神经网络的正向传播过程中，输入层的神经元接收的信号直接成为其输出${x_i}(k)$。隐藏层的神经元使用对称的Sigmoid函数来处理输入和输出之间的非线性转换。隐含层输入输出为：

$ \left\{ \begin{gathered} {h_j}(k) = \sum\limits_{i = 1}^n {{\omega _{ij}}{x_i}(k)} ，\\ {b_j}(k) = f({h_j}(k)) (j = 1,2,3, \cdots ,Q) ，\\ f(x) = \frac{{{e^x} - {e^{ - x}}}}{{{e^x} + {e^{ - x}}}}。\\ \end{gathered} \right. $

(2)

式中：${h_j}(k)$、${b_j}(k)$分别为中间层即隐含层输入、输出；Q的多少体现隐含层神经元的多少；$ \omega_{i j} $为输入连接隐藏层之间权值；$ f(x) $为可正可负且对称的Sigmoid函数。

输出层的神经元输出分别映射到PID控制器的3个可调节参数。考虑到这些参数需要为正值，因此输出层神经元采用了非负的Sigmoid激活函数$g(x)$，输出层输入、输出分别为：

$ \left\{ \begin{gathered} {O_{{m}}}(k) = \sum\limits_{j = 1}^Q {{\omega _{mj}}{b_j}(k)}，\\ {k_m}(k) = g({O_m}(k)) (m = 1,2,3)，\\ g(x) = \frac{{{e^x}}}{{{e^x} + {e^{ - x}}}} 。\\ \end{gathered} \right. $

(3)

式中：m为输出层神经元数量；${O_m}(k)$、${k_m}(k)$分别为输出层的输入、输出；$ \omega_{i j} $为隐含层连接输出层间权值。

PID控制方法采用增量式PID控制方式，可得BP神经网络PID输出为：

$ u(k) = {k_m}(k) \times ed 。$

(4)

式中：ed为增量式PID算法中的误差项。

为保证系统的实时性，取性能指标函数为输出误差二次方函数$E(k)$。采用梯度下降法调整BP神经网络各层的权值，在E的负梯度方向进行调整，因此得到神经网络输出层对隐含层权值修正的计算公式为：

$ \left\{\begin{aligned}&\omega_{mj}(k)=\omega_{mj}(k-1)+\Delta\omega_{mj}(k)，\\ &\Delta\omega_{mj}(k)=\alpha\delta_l(k)b_j(k)+\beta\Delta\omega_{mj}(k-1)，\\ &\delta_l(k)=\gamma g^{'}(O_m(k))，\\ &\gamma(k)=\frac{\partial E(k)}{\partial y_{{\rm{out}}}(k)}\mathrm{sgn}\left(\frac{\partial y_{{\rm{out}}}(k)}{\partial u(k)}\right)\frac{\partial u(k)}{\partial k_m(k)}。\\ \end{aligned}\right. $

(5)

式中：引入学习率$\alpha $、惯性因子$\beta $旨在进一步提升BP神经网络的收敛速度。

同理可得隐含层到输入层的权值修正计算公式为：

$ \left\{ \begin{gathered} {\omega _{{{ij}}}}(k) = {\omega _{{{ij}}}}(k - 1) + \Delta {\omega _{{{ij}}}}(k)，\\ \Delta {\omega _{{{ij}}}}(k) = \alpha \delta (k){{{x}}_i}(k) + \beta \Delta {\omega _{{{ij}}}}(k - 1)，\\ \delta (k) = {f^{'}}({h_j}(k)){\delta _l}(k){\omega _{mj}}(t)。\\ \end{gathered} \right. $

(6)

式(5)和式(6)为BP-PID多变量控制算法的神经网络权值调整量的计算式，根据权重修正计算公式，计算并更新权重调节系数，从而实现PID控制器参数的动态优化。

3 DSP控制器设计 3.1 控制系统硬件设计

所有实际应用系统均依赖于硬件平台的支持，其中控制器硬件平台的设计是确保系统性能的关键因素^[13]。本系统采用TI公司的TMS320F28335 DSP芯片作为核心，搭建了一个完整的DSP最小系统，包含电源与复位电路、时钟模块、JTAG接口以及串行通信接口等关键组件。图2为该DSP控制器的硬件结构示意图。

为了确保TMS320F28335能够稳定运行需要保证电源芯片产生的电压稳定在3.3 V和1.9 V，TMS320F28335的GPIO电源一般是3.3 V，电源电路通过电源芯片LM2596JIA逐渐降压转化方式获得15 V，通过AMS1117降压芯片获得3.3 V和1.8 V。时钟采用振荡器和PLL（Phase Locked Loop）锁相环共同实现F28335最高150 MHz的工作频率，确保晶振电路能够正常起振。复位电路能在芯片核间电压不足时，使DSP保持为复位状态。JTAG接口电路用来完成下载程序、DSP实时的在线仿真和调试等功能。SCI串口通信可实现实时传输数据的功能，TMS320F28335提供3个相同的SCI接口（SCIA、SCIB和SCIC），应硬件实时控制的需要，选择F28335内部的一路SCIA完成DSP与PC机的通信。

3.2 转速控制系统软件设计

软件程序主要包括主程序和各个中断程序，采用模块化编程的思想，每个模块实现不同功能。软件设计方面主要通过CCS开发环境进行主函数和中断函数的程序编写。主程序主要进行系统时钟开启、看门狗，总中断的初始化，主循环等待系统输入等任务。中断程序模块中实现串口通信、控制算法与输出保护等功能。控制算法部分进行BP神经网络PID控制运算。通信部分完成DSP硬件控制器与PC机之间的数据交换。

3.2.1 主程序设计

主程序是整个软件设计中最顶层的程序，使系统能正常进入运行状态，并协同各个模块之间的调用关系，让硬件系统顺利运行，以完成对船舶柴油发电机转速系统的控制。主程序的主要任务：当DSPTMS320F28335上电或复位后，完成软件系统的初始化和建立整个软件系统的架构，包括DSP的初始化、打开系统时钟、开启总中断和串口初始化、循环等待Matlab/Simulink发送数据等。主程序的流程如图3所示。

3.2.2 串行通信设计

硬件在环仿真系统采用串口通信，串口数据通过RS232接口在Matlab与DSP控制器之间进行数据交换。DSP和PC主机上的实时数据传送是通过Simulink下Instrument工具箱中的SCI模块即Serial Send模块和Serial Receive模块实现^[14]。本系统SCI模块采用数据格式为：1个停止位，禁止奇偶校验功能，8个数据位，波特率设置为115200。

为了实现数据的实时传输，提高数据交换的效率。SCI通信程序中数据的发送和接收均采用中断方式。将SCI设置在增强的FIFO工作模式下，实现加载数据速度的可编程性。程序开始运行：首先初始化系统时钟、设置GPIO模式，然后初始化SCIA模块并使能FIFO功能。当SCIRXDA引脚检测起始位便将数据逐位移入RXSHF寄存器中，RXSHF将数据直接加载到RX FIFO队列中，接收中断产生中断RXINT信号进入接收中断处理程序，处理完成后，并响应新的中断并进入下一个数据的处理过程。DSP控制器硬件在环通信程序流程如图4所示。

4 硬件在环与控制策略验证 4.1 硬件在环转速控制系统

硬件在环仿真可以提高复杂控制系统的设计效率，缩短系统开发周期。硬件在环仿真系统有以下工作过程：上位机按设定初始参数运行Matlab中仿真模型，同时把仿真模型的计算结果经由Simulink下Instrument工具箱中的Serial Send模块用于接收上位机命令并通过RS232接口送往DSP控制器，DSP控制器根据接收到的系统实时仿真数据，由BP神经网络PID控制算法计算出结果，然后再将计算结果经由Serial Receive模块将下位机执行结果通过RS232接口反馈给系统实时仿真模型即上位机，系统实时仿真模型根据控制参数改变其运行状态。硬件在环转速控制系统原理如图5所示。

4.2 参数设置

本文上位机即Simulink中同步发电机参数为：额定功率为3.125 MW，额定电压为2400 V，额定频率为60 Hz。其中，下位机即DSP硬件及软件设计参数可由本文第4节得知。本文采用临界比例法，经人工调整得传统PID控制中转速控制回路PID三参数为：K_p=38，K_i=0.46，K_d=1.7。

仿真中采用标幺模型，发电机稳定运行转速为1，通常要求实际转速在±5的范围内波动，故模糊PID控制算法中，输入变量e的基本论域为[−0.6,0.6]，误差变化率ec的基本论域为：[−6,6]。输出变量中，ΔK_p的论域设置为[−20, 20]，ΔK_i的论域设置为[−0.3, 0.3]，ΔK_d的论域设置为[−1, 1]。

BP-PID控制算法中神经网络结构选择4-5-3，并将学习率α设置为0.037，惯性因子β设置为0.3，权值初始值区间为[−1,1]上的随机数。由于Sigmoid激活函数将隐含层的输出即PID3个控制参数限制在[0,1]区间内，但实际PID控制器3个参数需要在更大范围内调整，因此设置增益数组M=[m₁,m₂,m₃]，作为BP神经网络输出增益。考虑到BP神经网络初始权值的随机性易导致训练结果不一致，并结合传统增量式PID控制参数，本文BP神经网络PID控制算法中设置增益数组M=[80,2,2]，以保证输出在一定范围。

4.3 硬件在环仿真试验及控制策略验证

柴油发电机组在空载运行时，不仅会出现转速过高或过低的情况，影响机组的稳定性和寿命。这可能引发电网电压的瞬时跌落，从而干扰其他设备的稳定运行。为此，需要研究船舶柴油发电机组转速控制系统的动态性能，并将其分别于模糊PID控制、传统PID控制策略进行对比分析。分别按5.1、5.2节搭建船舶柴油发电机组硬件在环转速控制系统及设置相关参数，并对转速控制系统带1MW负载启动。其中，输入给定转速信号w_ref=1.0，硬件在环转速控制系统波形的对比如图6所示。

由图6可得，本文提出的船舶柴油发电机组硬件在环转速控制系统可以实现控制算法的验证。其中，对图7中所示控制效果曲线图进行数值分析，在带1 MW负载启动过程中，DSP控制器在选择3种不同算法时转速性能指标对比如表1所示。

由表1可知在船舶柴油发电机组带1 MW负载启动的转速控制系统中，BP-PID控制展现出显著的独特优势。相较于传统PID和模糊PID控制，BP-PID的最大超调量仅为0.34%，较PID（1.6%）和模糊PID（1.1%）降低逾70%，有效抑制了瞬时转速波动对机组的机械冲击；其稳定时间缩短至1.58 s，较PID（3.8 s）和模糊PID（2.2 s）分别提升58%和28%，突显了动态响应的快速性。尽管上升时间（0.48 s）与PID相近，但BP-PID通过结合反向传播（BP）神经网络的非线性自适应能力，在ITAE指标（0.005413）上较PID降低53%，综合误差积累显著优化。尽管稳态误差（2.693×10⁻⁴）略高于模糊PID，但其仍处于工程允许范围。上述特性表明，BP-PID通过融合智能算法与经典控制理论，在超调抑制、响应速度与鲁棒性间实现了更优平衡，尤其适用于船舶电力系统对瞬态性能严苛、工况复杂的转速控制需求。

为更接近实际系统下验证BP-PID控制策略的有效性，模拟船舶柴油发电机实际运行情况，船舶柴油发电机组硬件在环转速控制系统带1 MW负载启动至第一次稳定运行后，对船舶电力系统进行负载突变试验。在5 s时突加1.5 MW三相负载，第10 s突减0.5 MW三相负载，15 s时再突减1 MW三相负载，20 s时继续突增0.5 MW三相负载，最后系统带1.5 MW三相负载运行。船舶柴油发电机组硬件在环转速控制系统进行突变负载试验时系统仿真波形图和PID自整定波形图分别如图7和图8所示。

对于调速特性，由图7可知，本文所提船舶柴油发电机组硬件在环转速控制系统，够模拟船舶柴油发电机组的实际运行中负载突变试验，并以更接近实际系统中验证控制器性能。其中，对图7中负载突变波形图分析可得系统性能指标如表2所示。

由表2可知，在船舶柴油发电机组负载突变试验中，BP-PID控制展现出卓越的动态跟踪性能与鲁棒性优势。相较于传统PID与模糊PID，BP-PID的绝对误差最大值（0.018456）与平均值（0.0009204）分别降低38.1%和12.7%，标准差（0.0025714）亦减少6.2%，表明其误差波动更小、系统稳定性更优。同时，BP-PID的最长调节时间（2.8 s）较PID（4.3 s）和模糊PID（3.2 s）分别缩短34.9%和12.5%，最短调节时间（1.5 s）较二者提升59.5%和46.4%，突显其快速响应能力。尽管稳态误差（4.032×10⁻⁵）略高于模糊PID（4.194×10⁻⁶），但其IAE指标（0.03287）较PID（0.06494）降低49.3%，综合误差积累显著优化。这一性能源于BP神经网络的自适应学习机制，通过动态调整参数实时补偿负载突变扰动，在快速性、精度与稳定性间实现平衡。实验结果证明，BP-PID能够有效应对船舶电力系统复杂工况下的突发负载变化。其中，结合图8中第5、10、15、20 s负载突变时相对应PID三参数的自我调节可知，DSP控制器能够充分发挥BP神经网络的强大学习能力以及自适应能力，能够根据系统变化实时调节PID控制器的3个参数，从而应对系统负载突变的特殊情况，使系统在更快时间里达到稳定。从整体过渡过程可看出本文提出的船舶柴油发电机组硬件在环转速控制系统能够承受住不同负载的冲击。

5 结　语

本文提出了船舶柴油发电机组硬件在环转速控制系统，该系统不仅能够模拟船舶柴油发电机组的实际运行工况，还为控制策略的验证和测试提供了可靠平台。通过硬件在环仿真测试，降低了实际测试的风险和成本，验证了BP神经网络PID控制策略的有效性及优越性，提高了船舶柴油发电机组转速控制系统的稳定性，确保了算法在实际船舶应用中的可行性和有效性。未来的研究将进一步探索，将该转速控制系统与其他智能控制算法相结合，以实现更高效、更智能的船舶电力系统控制。