CN104639293A - 网络化控制系统丢包补偿装置及方法 - Google Patents

Abstract

本发明公开了一种网络化控制系统丢包补偿方法，包括以下步骤：基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。该方法解决了现有技术中基于模型的丢包补偿方法高度依赖被控对象的数学模型的问题，提高了控制系统的收敛速度和跟踪性能。该丢包补偿装置构造简单，控制参数少，便于在实际工程中进行应用。

Description

网络化控制系统丢包补偿装置及方法

技术领域

本发明涉及工程控制领域，尤其涉及一种网络化控制系统丢包补偿装置及方法。

背景技术

随着计算机技术、网络通信技术和控制技术的迅速发展，网络化控制系统以其布线少、成本低、便于远程监视与控制、易于扩展和维护等优势，已逐渐成为工业自动控制系统的发展趋势。

网络化控制系统是一种分布式、网络化实时反馈控制系统，是将控制系统的控制端与被控端通过通信网络连接起来组成的闭环分布式控制系统，可以实现分布式测量、控制与管理。但由于实时数据(包括测量数据和控制数据)均是通过网络以“数据包”的形式进行传输，所以当网络发生节点或链路故障、拥堵、传输或路由错误时，将导致这些实时数据包的随机丢失，并最终影响系统的控制性能，甚至导致系统不稳定。

现有技术中已经采取了一些措施来降低随机丢包对网络化控制系统的控制性能的影响，但还主要存在以下问题：一是现有措施大多针对线性系统，而较少考虑非线性系统。但在实际中，几乎所有的被控对象都是非线性系统，所以现有技术中处理丢包的措施在实际应用中的效果不理想。二是现有措施多为基于被控对象的数学模型所建立的方法，但随着信息科学技术的发展，许多工业过程发生了巨大的变化，如：生产设备和生产过程变得越来越复杂，对产品质量的要求也越来越高。要对这些复杂过程建立精确的数学模型，并对其实施有效的控制已变得越来越困难。因此当数学模型与实际系统不一致时，控制性能将无法保证，这些都极大地限制了网络化控制系统在实际工程中的应用和推广。

综上，亟需一种不依赖于被控对象数学模型且有效补偿网络化控制系统随机丢包的方法来解决上述问题。

发明内容

本发明所要解决的技术问题之一是需要提供一种不依赖于被控对象数学模型且有效补偿网络化控制系统随机丢包的方法。

为了解决上述技术问题，本申请的实施例首先提供了一种网络化控制系统丢包补偿方法，包括，步骤一、基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；步骤二、基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；步骤三、根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。

优选地，在步骤一中，根据以下参数估计算法建立等价数据模型：

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)}{\mathrm{\μ}+\mathrm{\Δu}{(k-1)}^2}(\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1))$

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(0\right),\left|\widehat{\mathrm{\φ}}\left(k\right)\right|\≤\mathrm{\ϵor}\left|\mathrm{\Δu}(k-1)\right|\≤\mathrm{\ϵor\; sign}\left(\widehat{\mathrm{\φ}}\left(k\right)\right)\≠\mathrm{sign}\left(\widehat{\mathrm{\φ}}\left(0\right)\right)$

式中，为k时刻的伪偏导数φ(k)的估计值；Δu(k-1)为被控对象在k-1时刻的控制增量；Δy(k)为被控对象在k时刻的输出增量；μ，η和ε为常数，为的初始值，sign(·)为符号函数。

优选地，在步骤二中，根据以下控制律得到控制增量预测值序列Δu_s(k+i|k)：

$\mathrm{\Δ}{u}_s(k+i|k)=\underset{j=0}{\overset{i}{\mathrm{\Σ}}}\mathrm{\α}\left(k\right)(r(k+j+1)-y(k+j|k))$

式中，i和j均为迭代次数，i的取值为其中，为反向通道和前向通道连续丢包总数的上界；y(k+j|k)为根据k时刻的被控对象的输出数据y(k)迭代得到的k+j时刻的输出预测值；r(k+j+1)为(k+j+1)时刻系统的参考输入信号；为控制律系数，其中，为k时刻的伪偏导数φ(k)的估计值，λ和ρ为常数。

优选地，当反向通道和前向通道均未丢包时，从当前时刻k的控制增量预测值序列中选择第一个值作为确定的控制增量；当反向通道或前向通道发生丢包时，从与当前时刻k最近的未丢包时刻k_l的控制增量预测值序列中选择第(k-k_l+1)个值作为确定的控制增量。

优选地，根据以下表达式得到施加于被控对象的控制信号u(k)：

$u\left(k\right)=u(k_l-1)+\mathrm{\Δ}{U}_{k_l}^s(k-k_l)$

式中，u(k_l-1)为与当前时刻k最近的未丢包时刻k_l的前一时刻的控制信号，为k_l时刻的控制增量预测值序列中的第(k-k_l+1)个元素。

本申请的实施例还提供了一种网络化控制系统丢包补偿装置，包括，设置于反向通道被控端的参数估计模块，其基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；设置于前向通道控制端的控制预测模块，其基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；设置于前向通道被控端的丢包补偿模块，其根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。

优选地，参数估计模块根据以下参数估计算法建立等价数据模型：

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)}{\mathrm{\μ}+\mathrm{\Δu}{(k-1)}^2}(\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1))$

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(0\right),\left|\widehat{\mathrm{\φ}}\left(k\right)\right|\≤\mathrm{\ϵor}\left|\mathrm{\Δu}(k-1)\right|\≤\mathrm{\ϵor\; sign}\left(\widehat{\mathrm{\φ}}\left(k\right)\right)\≠\mathrm{sign}\left(\widehat{\mathrm{\φ}}\left(0\right)\right)$

式中，为k时刻的伪偏导数φ(k)的估计值；Δu(k-1)为被控对象在k-1时刻的控制增量；Δy(k)为被控对象在k时刻的输出增量；μ，η和ε为常数，为的初始值，sign(·)为符号函数。

优选地，控制预测模块根据以下控制律得到控制增量预测值序列Δu_s(k+i|k)：

$\mathrm{\Δ}{u}_s(k+i|k)=\underset{j=0}{\overset{i}{\mathrm{\Σ}}}\mathrm{\α}\left(k\right)(r(k+j+1)-y(k+j|k))$

式中，i和j均为迭代次数，i的取值为其中，为反向通道和前向通道连续丢包总数的上界；y(k+j|k)为根据k时刻的被控对象的输出数据y(k)迭代得到的k+j时刻的输出预测值；r(k+j+1)为(k+j+1)时刻系统的参考输入信号；为控制律系数，其中，为k时刻的伪偏导数φ(k)的估计值，λ和ρ为常数。

优选地，当反向通道和前向通道均未丢包时，所述丢包补偿模块从当前时刻k的控制增量预测值序列中选择第一个值作为确定的控制增量；当反向通道或前向通道发生丢包时，所述丢包补偿模块从与当前时刻k最近的未丢包时刻k_l的控制增量预测值序列中选择第(k-k_l+1)个值作为确定的控制增量。

优选地，丢包补偿模块根据以下表达式得到施加于被控对象的控制信号u(k)：

$u\left(k\right)=u(k_l-1)+\mathrm{\Δ}{U}_{k_l}^s(k-k_l)$

式中，u(k_l-1)为与当前时刻k最近的未丢包时刻k_l的前一时刻的控制信号，为k_l时刻的控制增量预测值序列中的第(k-k_l+1)个元素。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

通过数据驱动的方式建立被控对象的等价数据模型，以及对前向通道和反向通道中的随机丢包同时进行主动补偿，解决了现有技术中基于模型的丢包补偿方法高度依赖被控对象的数学模型的问题，提高了控制系统的收敛速度和跟踪性能。该丢包补偿装置构造简单，控制参数少，便于在实际工程中进行应用。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1为本申请实施例的丢包补偿装置的构造示意图；

图2为本申请实施例的丢包补偿方法的流程示意图；

图3为本地控制系统对时变阶跃信号响应的仿真示意图；

图4为网络化控制系统的随机丢包仿真示意图，其中图4(a)为反向通道的随机丢包仿真示意图，图4(b)为前向通道的随机丢包仿真示意图；

图5为未采用丢包补偿的网络化控制系统的控制效果示意图；

图6为采用本申请实施例的丢包补偿装置的网络化控制系统的控制效果示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

现有技术中的网络化控制系统普遍使用基于模型的控制。就是根据被控对象的实际组成，抽象并建立被控对象的数学模型，再基于所建立的数学模型对被控对象进行控制。但在实际中，由于组成系统的物理元件或多或少地带有非线性，以及生产工艺、生产设备和生产过程的复杂性，都将导致系统呈非线性，即理想的线性系统是不存在的，因此常规的基于模型的控制方法在很多方面已经无法满足控制系统的要求。

本申请针对该问题，在对网络化控制系统进行丢包补偿的时候，提出了一种基于数据的丢包补偿装置，具体为，根据对被控对象的输出信号和控制信号进行采样得到的输出数据和控制数据建立等价数据模型，并以该等价数据模型为基础进行丢包补偿。因为尽管实际的工业过程都是复杂的非线性系统，但这些工业过程每时每刻都在产生并存储着大量的生产、设备和过程数据,这些数据包含了工艺变动、设备状态和过程运行的全部有用信息。在无法获得精确的数学模型的情况下，利用这些数据直接对被控对象进行控制，可以解决现有技术中对被控对象数学模型高度依赖的问题。

一般地，对于单输入单输出的非线性离散时间系统，可用如表达式(1)所示的形式描述：

y(k)＝f(y(k-1),…,y(k-n_y),u(k-1),…,u(k-n_u))   (1)

式中，y(k)和u(k-1)分别为被控对象在k时刻的输出数据和在k-1时刻的控制数据，f(·)为未知的非线性函数关系，n_y和n_u分别为系统的未知的输出和输入的阶数。

进一步地，若表达式(1)所示的单输入单输出的非线性离散时间系统满足广义Lipschitz条件，即对于任意k和|Δu(k-1)|≠0，系统满足|Δy(k)|≤b|Δu(k-1)|的条件，其中b为正数，则可以利用表达式(2)来对表达式(1)所示的系统进行线性化描述，具体为：

Δy(k)＝φ(k)Δu(k-1)   (2)

式中，Δu(k-1)表示被控对象在k-1时刻的控制增量，且Δu(k-1)＝u(k-1)-u(k-2)，Δy(k)表示被控对象在k时刻的输出增量，且Δy(k)＝y(k)-y(k-1)；φ(k)为系统的伪偏导数，且|φ(k)|≤b。

表达式(2)所示的模型即为系统的等价数据模型。下面将参考图1详细说明本申请实施例的以等价数据模型为基础建立的丢包补偿装置。

图1为本申请实施例的丢包补偿装置的构造示意图，可以看出该网络化控制系统丢包补偿装置包括参数估计模块、控制预测模块以及丢包补偿模块。其中，被控端与控制端通过通信网络10进行通信连接，参数估计模块11位于网络化控制系统反向通道的被控端，控制预测模块12位于网络化控制系统前向通道的控制端，丢包补偿模块13位于网络化控制系统前向通道的被控端。该网络化控制系统构造灵活并且易于扩展。

参数估计模块11与被控对象之间在被控端本地连接，用于在每个采样时刻对被控对象等价数据模型的伪偏导数φ(k)的值进行估计。假设在k时刻，参数估计模块接收被控对象的输出数据y(k)，以及k-1时刻的控制数据u(k-1)，则可以根据表达式(3)求得φ(k)的估计值

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}(k-1)+\frac{\mathrm{\η\Δu}(k-1)}{\mathrm{\μ}+\mathrm{\Δu}{(k-1)}^2}(\mathrm{\Δy}\left(k\right)-\widehat{\mathrm{\φ}}(k-1)\mathrm{\Δu}(k-1))---(3-1)$

$\widehat{\mathrm{\φ}}\left(k\right)=\widehat{\mathrm{\φ}}\left(0\right),\left|\widehat{\mathrm{\φ}}\left(k\right)\right|\≤\mathrm{\ϵor}\left|\mathrm{\Δu}(k-1)\right|\≤\mathrm{\ϵor\; sign}\left(\widehat{\mathrm{\φ}}\left(k\right)\right)\≠\mathrm{sign}\left(\widehat{\mathrm{\φ}}\left(0\right)\right)---(3-2)$

式中，为k时刻的伪偏导数φ(k)的估计值；Δu(k-1)为被控对象在k-1时刻的控制增量；Δy(k)为被控对象在k时刻的输出增量；μ，η和ε为常数，为的初始值，sign(·)为符号函数。

表达式(3)为根据参数估计算法得到的估计值。其中，式(3-1)用于在线估计被控对象等价数据模型(2)中的唯一参数φ(k)；式(3-2)用于加强参数估计算法(3-1)对φ(k)变化的跟踪能力。参数μ＞0为参数估计加权系数，用于约束的变化率，同时也可以避免表达式(3-1)出现分母为0的情况；η∈(0,1]为参数估计步长系数，可使参数估计算法(3-1)的设计具有更大的灵活性；ε是一个充分小的正数，例如可取为10^-5。

参数估计模块11可以完成如表达式(2)所示的被控对象等价数据模型的实时的在线辨识。在其他优选的实施例中，还可以采用多种不同的方法对被控对象的等价数据模型进行在线辨识，例如改进的最小二乘法或者改进的投影算法等。另外需要说明的是，参数估计模块11采用时间驱动的方式，在每个采样时刻对φ(k)进行估计，并将求得的通过网络发送给控制预测模块12。

控制预测模块12接收来自通信网络的反馈数据，包括每个采样时刻的伪偏导数的估计值以及被控对象的输出数据，并结合本地的参考输入信号通过多次迭代得到控制增量的预测值。具体为，假设k时刻的伪偏导数的估计值为被控对象的输出数据为y(k)以及k+1时刻的参考输入信号为r(k+1)。首先利用r(k+1)以及y(k)，通过一定的控制律，计算得到k时刻的控制增量；然后利用k时刻的控制增量以及被控对象的等价数据模型，计算得到k+1时刻的输出增量的预测值，进而求出k+1时刻的输出预测值和控制增量预测值；接下来利用k+1时刻的控制增量预测值和输出预测值以及伪偏导数重复上面的迭代过程求出后续时刻的预测值。需要说明的是，上述迭代过程都是利用被控对象在k时刻的等价数据模型(伪偏导数为)来进行预测的。

举例而言，控制预测模块12根据表达式(4)计算k时刻的控制增量：

Δu(k|k)＝α(k)(r(k+1)-y(k))   (4)

式中，Δu(k|k)表示的是根据k时刻的输出数据(即k时刻的y(k))计算得到的k时刻的控制增量；r(k+1)为k+1时刻系统的参考输入信号；α(k)为控制预测模块12所用控制律的系数，在一个实施例中，α(k)采用如表达式(5)所示的形式：

$\mathrm{\α}\left(k\right)=\mathrm{\ρ}\widehat{\mathrm{\φ}}\left(k\right)/(\mathrm{\λ}+\widehat{\mathrm{\φ}}{\left(k\right)}^2)---\left(5\right)$

式中，参数λ和ρ为常数。其中，λ＞0为控制加权系数，用于约束控制量的变化率，同时也可以避免表达式(5)出现分母为0的情况；ρ∈(0,1]为控制步长系数，可使控制律(4)的设计具有更大的灵活性。

在其他优选的实施例中，还可以采用不同的控制律来得到控制增量，例如可以采用固定增益的跟踪误差积分控制策略。

进一步地，由表达式(4)得到k时刻的控制增量Δu(k|k)之后，再利用被控对象的等价数据模型计算得到k+1时刻的输出增量的预测值Δy(k+1|k)，如表达式(6)所示：

$\mathrm{\Δy}(k+1|k)=\widehat{\mathrm{\φ}}\left(k\right)\mathrm{\Δu}\left(k\right|k)---\left(6\right)$

进而可以求出k+1时刻的输出预测值y(k+1|k)，如表达式(7)所示：

y(k+1|k)＝y(k)+Δy(k+1|k)   (7)

接下来，利用上述计算结果中的y(k+1|k)以及k+2时刻的参考输入信号r(k+2)参照上述迭代过程对k+1时刻的控制增量进行预测。如果用i表示迭代次数，则迭代过程可以用下面的表达式(8)来表示：

$\mathrm{\Δy}(k+i|k)=\widehat{\mathrm{\φ}}\left(k\right)\mathrm{\Δu}(k+i-1|k)---(8-1)$

y(k+i|k)＝y(k+i-1|k)+Δy(k+i|k)   (8-2)

Δu(k+i|k)＝α(k)(r(k+i+1)-y(k+i|k))   (8-3)

迭代次数i决定了可以通过预测得到的控制增量的个数。

最后，控制预测模块12根据表达式(9)计算得到相对于k-1时刻的控制数据u(k-1)的增量序列Δu_s(k+i|k)：

$\mathrm{\Δ}{u}_s(k+i|k)=\underset{j=0}{\overset{i}{\mathrm{\Σ}}}\mathrm{\Δu}(k+j|k)=\underset{j=0}{\overset{i}{\mathrm{\Σ}}}\mathrm{\α}\left(k\right)(r(k+j+1)-y(k+j|k))---\left(9\right)$

式中，i和j均表示迭代次数，且迭代次数i的取值为其中，为反向通道和前向通道连续丢包总数的上界。将上述增量序列表示为向量的形式为 ${\mathrm{\ΔU}}_k^s={\left[\begin{array}{cccc}\mathrm{\Δ}{u}_s\left(k\right|k)& \mathrm{\Δ}{u}_s(k+1|k)& ...& \mathrm{\Δ}{u}_s(k+\stackrel{\‾}{d}|k)\end{array}\right]}^T,$ 将其打包发往丢包补偿模块13。

本申请实施例的随机丢包补偿装置同时对前向通道与反向通道的双向丢包进行补偿，优选为将取作反向通道和前向通道连续丢包总数的上界。假设网络化控制系统的前向通道的丢包数为零，反向通道的连续丢包数为N，则此时控制预测模块12将因为接收不到有效的反馈数据而无法输出，同样的，前向通道被控端的丢包补偿模块无法收到新的数据而选择从最近收到的控制增量预测值序列中选取一个值输出。可以看出，反向通道的随机丢包会对前向通道产生影响，所以选取反向通道和前向通道连续丢包总数的上界作为迭代次数的上界。

另外需要说明的是，与参数估计模块11不同，控制预测模块12采用事件驱动的方式，即只有当接收到反向通道反馈的伪偏导数的估计值以及被控对象的输出数据时才进行迭代。因为若控制预测模块12也采用时间驱动的方式，那么在每个采样时刻，控制预测模块12都要输出数据，但当反向通道发生随机丢包时，反馈数据无法及时到达控制预测模块12，而控制预测模块12就只能利用上一时刻的旧数据进行迭代，所以实际上将输出一个与上一时刻相同的预测序列，即将产生无效的数据占用网络带宽。因此，在本申请的实施例中，控制预测模块12采用事件驱动的方式，可以有效地避免无效的预测序列的产生以及发送，从而提高网络的利用率。

丢包补偿模块13也采用时间驱动的方式，其接收控制增量预测值向量并从收到的最新的控制增量预测值序列中选择合适的值得到控制信号施加于被控对象。具体为，当前向通道和反向通道均未发生随机丢包时，丢包补偿模块13从当前时刻接收到的控制增量预测值序列中选择第一个数据元素作为确定的控制增量，即Δu_s(k|k)。当前向通道或反向通道发生随机丢包时，丢包补偿模块从与当前时刻k最近的未丢包时刻k_l接收的控制增量预测值序列中选择第(k-k_l+1)个值作为确定的控制增量。

举例而言，假设在当前时刻k，丢包补偿模块13接收到的最新的控制增量预测值序列的向量为其中k_l≤k为该向量到达丢包补偿模块13的时刻，可描述为 ${\mathrm{\ΔU}}_{k_l}^s={\left[\begin{array}{cccc}\mathrm{\Δ}{u}_s\left(k_l\right|k_l)& \mathrm{\Δ}{u}_s(k_l+1|k_l)& ...& \mathrm{\Δ}{u}_s(k_l+\stackrel{\‾}{d}|k_l)\end{array}\right]}^T.$ 为补偿反向通道和前向通道中的随机丢包，丢包补偿模块13将选择如表达式(10)所示的控制信号施加于被控对象：

$u\left(k\right)=u(k_l-1)+\mathrm{\Δ}{U}_{k_l}^s(k-k_l)---\left(10\right)$

式中，u(k_l-1)为与当前时刻k最近的未丢包时刻k_l的前一时刻的控制信号，为k_l时刻的控制增量预测值序列中的第(k-k_l+1)个元素。

如果反向通道和前向通道都没有发生随机丢包，则丢包补偿模块13将u(k)＝u(k-1)+Δu_s(k|k)作为控制信号施加于被控对象。

利用上述丢包补偿装置对反向通道与前向通道中的随机丢包进行丢包补偿的方法步骤如图2所示，具体包括，步骤S210，基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；步骤S220，基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；步骤S230，根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。

本申请的实施例同时考虑了反向通道和前向通道中的随机丢包，更符合工业网络化控制系统的实际情况，也具有更优的跟踪控制性能。因此具有更好的普适性和实用性。

图3至图6为利用MATLAB软件对本申请实施例的控制方案进行的计算机仿真验证。仿真的非线性系统如表达式(11)所示：

$y\left(k\right)=\left\{\begin{array}{cc}\frac{y(k-1)}{1+y{(k-1)}^2}+u{(k-1)}^3,& 0\&le;k\&le;100\\ \frac{y(k-1)y(k-2)y(k-3)u(k-2)(y(k-3)-1)+1.5u(k-1)}{1+y{(k-2)}^2+y{(k-3)}^2},& 100<k\&le;200\end{array}\right.---\left(11\right)$

其中，被控对象的控制数据与输出数据的初始值分别取为u(-1)＝u(-2)＝0和y(-1)＝y(-2)＝y(-3)＝0，参数估计模块以及控制预测模块的参数分别取为ρ＝1、λ＝2、η＝1、μ＝1、ε＝10^-5和参考输入信号取时变阶跃信号。

图3为本地控制系统对时变阶跃信号响应的仿真示意图。即假设反向通道和前向通道中的数据传输是理想的，不存在任何丢包现象。从图3的仿真曲线可以看出，本地控制系统的输出可以很好地跟踪时变阶跃参考信号。

图4为网络化控制系统的随机丢包仿真示意图，其中图4(a)为反向通道的随机丢包仿真示意图，图4(b)为前向通道的随机丢包仿真示意图。在图4中，“1”代表数据包传输成功，“0”代表数据包丢失。可以看出，反向通道与前向通道连续丢包总数的最大值为20，发生于采样时刻k＝65，因此将这两个通道连续丢包总数的上界取为20。

图5为未采用丢包补偿的网络化控制系统的控制效果示意图。从图5的仿真曲线可以看出，尽管闭环系统仍然稳定，但与本地控制系统的性能(如图3所示)相比，未采用丢包补偿的网络化控制系统的性能急剧下降，而且，系统跟踪误差的收敛速度也变得很慢。

图6为采用本申请实施例的丢包补偿装置的网络化控制系统的控制效果示意图。从图6的仿真曲线可以看出，采用本申请实施例的装置对网络化控制系统进行丢包补偿，其控制效果接近于本地控制系统的效果(如图3所示)，而且远远好于未采用丢包补偿的网络化控制系统的效果(如图5所示)。

本申请实施例的网络化控制系统的丢包补偿装置不需要知道被控对象数学模型的结构和参数信息，仅利用被控对象的输入输出数据建立等价数据模型，即采用数据驱动的控制方法，用于主动补偿网络化非线性控制系统中的随机丢包。控制方案简单、参数少、收敛速度快、跟踪性能好，且便于在实际工程中应用和推广。

同时本申请实施例的网络化控制系统的丢包补偿装置的稳定性和收敛性更具保障，即本申请实施例的丢包补偿装置在一定条件下，可以保证闭环系统的稳定和收敛，且可以实现对时变阶跃参考信号的零稳态误差的输出跟踪。

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，如分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种网络化控制系统丢包补偿方法，包括以下步骤：

步骤一、基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；

步骤二、基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；

步骤三、根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。

2.根据权利要求1所述的方法，其特征在于，在步骤一中，根据以下参数估计算法建立等价数据模型：

$\widehat{\mathrm{\&phi;}}\left(k\right)=\widehat{\mathrm{\&phi;}}(k-1)+\frac{\mathrm{\&eta;\&Delta;u}(k-1)}{\mathrm{\&mu;}+\mathrm{\&Delta;u}{(k-1)}^2}(\mathrm{\&Delta;y}\left(k\right)-\widehat{\mathrm{\&phi;}}(k-1)\mathrm{\&Delta;u}(k-1))$

$\widehat{\mathrm{\&phi;}}\left(k\right)=\widehat{\mathrm{\&phi;}}\left(0\right),\left|\widehat{\mathrm{\&phi;}}\left(k\right)\right|\&le;\mathrm{\&epsiv;or}\left|\mathrm{\&Delta;u}(k-1)\right|\&le;\mathrm{\&epsiv;or\; sign}\left(\widehat{\mathrm{\&phi;}}\left(k\right)\right)\&NotEqual;\mathrm{sign}\left(\widehat{\mathrm{\&phi;}}\left(0\right)\right)$

式中，为k时刻的伪偏导数φ(k)的估计值；Δu(k-1)为被控对象在k-1时刻的控制增量；Δy(k)为被控对象在k时刻的输出增量；μ，η和ε为常数，为的初始值，sign(·)为符号函数。

3.根据权利要求1所述的方法，其特征在于，在步骤二中，根据以下控制律得到控制增量预测值序列Δu_s(k+i|k)：

$\mathrm{\&Delta;}{u}_s(k+i|k)=\underset{j=0}{\overset{i}{\mathrm{\&Sigma;}}}\mathrm{\&alpha;}\left(k\right)(r(k+j+1)-y(k+j|k))$

式中，i和j均为迭代次数，i的取值为其中，为反向通道和前向通道连续丢包总数的上界；y(k+j|k)为根据k时刻的被控对象的输出数据y(k)迭代得到的k+j时刻的输出预测值；r(k+j+1)为(k+j+1)时刻系统的参考输入信号；为控制律系数，其中，为k时刻的伪偏导数φ(k)的估计值，λ和ρ为常数。

4.根据权利要求1-3中任一项所述的方法，其特征在于，在步骤三中，

当反向通道和前向通道均未丢包时，从当前时刻k的控制增量预测值序列中选择第一个值作为确定的控制增量；

当反向通道或前向通道发生丢包时，从与当前时刻k最近的未丢包时刻kl的控制增量预测值序列中选择第(k-k_l+1)个值作为确定的控制增量。

5.根据权利要求4所述的方法，其特征在于，根据以下表达式得到施加于被控对象的控制信号u(k)：

$u\left(k\right)=u(k_l-1)+\mathrm{\&Delta;}{U}_{k_l}^s(k-k_l)$

式中，u(k_l-1)为与当前时刻k最近的未丢包时刻k_l的前一时刻的控制信号，为k_l时刻的控制增量预测值序列中的第(k-k_l+1)个元素。

6.一种网络化控制系统丢包补偿装置，包括：

设置于反向通道被控端的参数估计模块，其基于参数估计算法，在每个采样时刻利用被控对象的输出数据与控制数据建立等价数据模型；

设置于前向通道控制端的控制预测模块，其基于所述等价数据模型以及一定的控制律，利用参考输入信号与被控对象的输出数据得到控制增量预测值序列；

设置于前向通道被控端的丢包补偿模块，其根据前向通道与反向通道的随机丢包的情况从所述控制增量预测值序列中选择一个值作为确定的控制增量，利用所述控制增量得到控制信号并施加于被控对象进行丢包补偿。

7.根据权利要求6所述的装置，其特征在于，所述参数估计模块根据以下参数估计算法建立等价数据模型：

$\widehat{\mathrm{\&phi;}}\left(k\right)=\widehat{\mathrm{\&phi;}}(k-1)+\frac{\mathrm{\&eta;\&Delta;u}(k-1)}{\mathrm{\&mu;}+\mathrm{\&Delta;u}{(k-1)}^2}(\mathrm{\&Delta;y}\left(k\right)-\widehat{\mathrm{\&phi;}}(k-1)\mathrm{\&Delta;u}(k-1))$

$\widehat{\mathrm{\&phi;}}\left(k\right)=\widehat{\mathrm{\&phi;}}\left(0\right),\left|\widehat{\mathrm{\&phi;}}\left(k\right)\right|\&le;\mathrm{\&epsiv;or}\left|\mathrm{\&Delta;u}(k-1)\right|\&le;\mathrm{\&epsiv;or\; sign}\left(\widehat{\mathrm{\&phi;}}\left(k\right)\right)\&NotEqual;\mathrm{sign}\left(\widehat{\mathrm{\&phi;}}\left(0\right)\right)$

式中，为k时刻的伪偏导数φ(k)的估计值；Δu(k-1)为被控对象在k-1时刻的控制增量；Δy(k)为被控对象在k时刻的输出增量；μ，η和ε为常数，为的初始值，sign(·)为符号函数。

8.根据权利要求6所述的装置，其特征在于，所述控制预测模块根据以下控制律得到控制增量预测值序列Δu_s(k+i|k)：

$\mathrm{\&Delta;}{u}_s(k+i|k)=\underset{j=0}{\overset{i}{\mathrm{\&Sigma;}}}\mathrm{\&alpha;}\left(k\right)(r(k+j+1)-y(k+j|k))$

式中，i和j均为迭代次数，i的取值为其中，为反向通道和前向通道连续丢包总数的上界；y(k+j|k)为根据k时刻的被控对象的输出数据y(k)迭代得到的k+j时刻的输出预测值；r(k+j+1)为(k+j+1)时刻系统的参考输入信号；为控制律系数，其中，为k时刻的伪偏导数φ(k)的估计值，λ和ρ为常数。

9.根据权利要求6-8中任一项所述的装置，其特征在于，

当反向通道和前向通道均未丢包时，所述丢包补偿模块从当前时刻k的控制增量预测值序列中选择第一个值作为确定的控制增量；

当反向通道或前向通道发生丢包时，所述丢包补偿模块从与当前时刻k最近的未丢包时刻k_l的控制增量预测值序列中选择第(k-k_l+1)个值作为确定的控制增量。

10.根据权利要求9所述的装置，其特征在于，所述丢包补偿模块根据以下表达式得到施加于被控对象的控制信号u(k)：

$u\left(k\right)=u(k_l-1)+\mathrm{\&Delta;}{U}_{k_l}^s(k-k_l)$

式中，u(k_l-1)为与当前时刻k最近的未丢包时刻k_l的前一时刻的控制信号，为k_l时刻的控制增量预测值序列中的第(k-k_l+1)个元素。