一类新的基于神经网络预测的变周期网络控制系统采样方案

提出了一类新的能够减轻时延对网络控制系统影响的基于神经网络预测的变周期网络控制系统采样方法,简要论述了在网络控制系统中融入了BP神经网络后,如何对它进行建模、分析、控制,被选作采样周期的时延可以利用BP神经网络工具进行在线预测,文中还给出了一种新的可以应用于生产实践的网络控制系统推广模型.     

丢包信息部分已知的变采样周期网络控制系统的H∞控制

研究了基于时变采样周期网络控制系统的H∞控制问题.考虑数据丢包个数有界且符合一个有限状态的Markov链,设计状态反馈控制器,将具有网络时延和丢包的NCSs建模为Markov跳变系统.针对数据丢包的信息难以精确获得的情况,即转移概率部分已知时,基于李雅普诺夫方法,给出系统随机稳定且具有H∞范数界γhkj的充分条件.基于LMIs技术,获得控制器设计方案.数值实例表明该方法是有效的并具有较好的H∞性能.     

基于多观测器的变采样周期网络控制系统的H∞控制

研究了变采样区间和多状态观测器的联合设计问题.考虑到网络诱导时延可能大于一个采样周期,假定采样周期取值在有限集内切换,构建具有单状态观测器和多状态观测器的网络控制系统Markov跳变模型.在此基础上,基于Markov理论,获得闭环网络控制系统随机稳定的充分条件和最优H∞范数上界.并且,应用线性矩阵不等式技术,获得模型依赖控制器和观测器设计方案.仿真对比表明多状态观测器对网络控制系统更有效.     

变采样周期网络控制系统的量化状态反馈控制

研究了一类具有变采样周期的网络控制系统的量化状态反馈控制问题.将从传感器到控制器的随机时延作为系统的时变采样周期,通过将具有时变采样周期、随机时延和量化器的网络控制系统建模为M arkov跳变系统,利用李雅普诺夫稳定性理论和线性矩阵不等式方法给出了系统指数均方稳定的充分条件,并设计了一种量化状态反馈控制器.通过仿真算例说明了所提方法的有效性.     

网络控制系统的变采样周期调度算法

综合考虑网络控制系统的误差、误差变化率、网络利用率及采样周期对系统性能的影响,设计了一种基于模糊反馈的变采样周期调度算法.该算法由网络利用率预测和采样周期调节两部分组成:网络利用率预测部分根据当前网络运行状况预测新的网络利用率;采样周期调节部分包含网络利用率分配和采样周期的计算.采样周期调节部分的网络利用率分配,用于重新分配各控制回路的网络利用率,分配时考虑系统各回路的误差和误差变化率,利用模糊控制理论调整各回路对网络的需求程度,完成分配;而采样周期计算是根据所得的网络利用率及数据的传输时间,动态调节系统各回路的采样周期.最后,结合EDF调度算法利用TrueTime工具箱对所研究的调度算法进行了仿真,结果表明采用本文所研究的变采样周期调度算法的控制系统性能要优于采用固定采样周期调度算法的控制系统性能.     

变采样网络控制系统的稳定性分析

目前网络控制系统多采用事件驱动方式,这种驱动方式适用于网络延时小于一个采样周期的网络控制系统。为了解决网络延时大于一个采样周期的问题,提出了事件-时间驱动方式。在采用事件-时间驱动方式下系统成为变采样网络控制系统。在网络时延大于一个采样周期情况下,系统中的控制值和反馈值不能准时到达时,该系统使用预测环节预测的预测值。在基于预测值的变采样网络控制系统中,给出了不同网络时延所对应的状态转移矩阵,分析了变采样网络控制系统稳定需要的条件,最后给出了一个例子说明了变采样网络控制系统采用预测值控制可以使系统稳定运行。     

主动变采样周期方法在网络化控制系统中的应用

针对基于Internet的网络控制系统中由于控制器位置变化可能导致控制性能下降甚至不稳定的问题,提出了主动变采样周期的网络化控制器设计方法. 为变采样周期的网络化控制系统建立了离散数学模型,采用Lyapunov方法给出了短延时情况下主动变采样周期网络控制系统闭环稳定的充分条件,并在倒立摆网络化控制系统中进行了实验验证. 实验结果证明了采用固定采样周期的控制器在网络位置变化后可能使系统不稳定,采用主动变采样周期的状态反馈控制方法设计的控制器在网络位置变化后仍然可以使系统稳定.      

变采样周期网络控制系统的状态反馈设计

针对短时延网络控制系统,提出了将时变采样周期分成为定常采样周期和网络诱导时延的和．建立了系统离散模型,将采样周期的不确定性转换成系统参数的不确定性．研究设计了静态状态反馈控制器,基于线性矩阵不等式的可行解给出了控制器参数．仿真证明了该方法的有效性．比较于其他的设计方式,该方法的计算量小．     

基于LS-SVM的变采样周期系统控制

针对变采样周期系统的控制,提出基于在线最小二乘支持向量机(LS-SVM)的预测控制方法.在LS-SVM的基础上,利用训练数据窗及训练数据阈值,推导出适合控制系统的在线训练方法.当在线LS-SVM的核函数取线性函数时,结合预测控制方法得到在线LS-SVM预测控制量的方程解,并将其应用于变采样周期系统.仿真显示了该方法的可行性、鲁棒性.     

输入受限网络控制系统的鲁棒模型预测控制

针对一类带有随机时延的输入受限多面体不确定网络控制系统,提出了一种鲁棒模型预测控制算法．假设随机网络时延为Markov链,并考虑Min-Max无穷时域性能指标,用线性矩阵不等式方法给出了依赖于模态的状态反馈控制器．基于Lyapunov方法,得到了保证可行性和鲁棒随机稳定性的条件．仿真结果验证了算法的有效性．     

网络控制系统保性能控制

针对网络控制系统中时延不确定因素,将时延的不确定性转换为系统状态方程系数矩阵的不确定性,网络控制系统对象模型为具有时滞的不确定离散模型.在此模型的基础上,将网络控制系统的保性能控制问题转化为研究时滞的不确定离散系统的鲁棒保性能控制问题.利用Lya-punov理论及线性矩阵不等式(LMI)方法,证明了通过状态反馈控制,使网络控制系统保性能控制的充分条件等价于求解LMI.仿真示例验证了该控制方法的有效性.     

MIMO多输入输出网络控制系统的容错控制

针对被控对象为具有不确定因素的多输入多输出网络控制系统,设传感器与控制器均为时间驱动,执行器为事件驱动,网络诱导时延小于采样周期,将未能成功传输数据的传感器节点视为暂时失效,把具有传感器故障的网络控制系统建模为一类带有不确定因素的离散模型,借助Lyapunov定理给出了系统渐近稳定的充分条件,基于LMI方法得出观测器和控制器的分离设计方法,实现了MIMO网络控制系统的容错控制。     

网络化控制系统的随机最优控制

对于网络诱发延迟大于一个采样周期的网络化控制系统,该文研究了该系统的线性二次Gauss(LQG)随机最优控制问题,提出了一种新的分时控制模式.这种控制模式充分利用了系统信息并能改善系统的性能.在该控制模式下建立了网络化控制系统的随机数学模型.该文还讨论了网络化控制系统中传输延迟的Markov特性,基于这种Markov链理论,设计了具有完全状态信息的系统线性二次Gauss随机最优控制器.仿真结果验证了该分时控制模式比没考虑延迟的优化控制和没充分利用控制量的控制模式有更好的控制效果.     

广义预测算法在网络控制系统中的应用

在网络控制系统中,由于网络的引入不可避免的导致信息的延时.从而使得控制系统的性能下降甚至导致系统不稳.本文在分析网络时延特性的基础上,采用广义预测控制策略对进行时延补偿,并利用Matlab对被控对象进行了仿真实验研究.仿真结果表明该控制策略能使得网络控制系统具有良好性能.     

网络控制系统的控制方法研究

分析了网络控制系统中几类时延的特点及其对控制系统的影响,并对近年所提出的处理周期性和随机时变时延的各种控制方法进行了较为全面的综述与评价,比较了各种方法的优缺点．最后指出了今后可能的发展方向．     

非线性网络控制系统的稳定性分析

针对传感器为时钟驱动、执行器、控制器均为事件驱动的一类非线性网络控制系统(net-worked control systems,NCS),通过在信息接收端设置一定长度的缓存,可以将时变的网络诱导时延转化为固定时延,并且将此类NCS建模为一类具有输入输出时延的非线性时延系统.基于建立的模型,利用Lyapunov定理和Razumikhin定理给出了系统渐近稳定的充分条件,同时给出使系统保持渐近稳定的最大允许网络诱导时延.最后通过算例验证了时延小于最大允许网络时延时,NCS是稳定的.     

网络控制系统中状态观测器的设计方法

阐述了当前网络控制系统的类型与结构，在此基础上，论述了网络控制系统在单个数据包传输且随机时间延迟小于一个采样周期的情况下，全维状态观测器的设计方法，并提出了一种基于状态观测器的动态补偿方法．最后给出了不同随机时间延迟范围下的系统仿真，证实了这种补偿方法的有效性。     

网络控制系统的延时补偿方法

在控制器与执行器直接相连的网络控制系统中,执行器接收端设置寄存器,以整数倍的传感器采样速率读取采样信号,并用其计算控制量,从而使采样信号得到最优利用,进而在一定程度上减小了网络延时。并在此基础上,提出了一种利用系统的状态方程及观测器补偿随机网络延时的方法。仿真结果证明了该方法的有效性。     

基于安全传输策略的网络化预测控制系统设计

为确保网络控制系统中传输数据的完整性、实时性、机密性和可用性,提高系统对抗数据攻击的能力,提出了一种基于MD5散列码、时间戳和AES加密算法的数据安全传输策略,该策略兼顾了系统中控制器端和被控对象端数据传输的安全性和实时性.并从控制策略的角度出发,考虑在系统遭受到数据攻击后,采用基于网络回路时延的网络预测控制方法对数据攻击进行补偿,使系统在受到一定强度的数据攻击后仍然能够进行稳定的控制,从而提高网络控制系统应对攻击的能力.采用S100-1实训平台管道压力控制系统验证了基于安全传输策略的网络化预测控制系统有较好的安全性和抗数据攻击能力.