CN111190350A - 一种数据驱动的网络控制系统时延主动补偿控制方法 - Google Patents
一种数据驱动的网络控制系统时延主动补偿控制方法 Download PDFInfo
- Publication number
- CN111190350A CN111190350A CN202010035401.6A CN202010035401A CN111190350A CN 111190350 A CN111190350 A CN 111190350A CN 202010035401 A CN202010035401 A CN 202010035401A CN 111190350 A CN111190350 A CN 111190350A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- input
- formula
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明涉及网络控制技术领域,公开了一种数据驱动的网络控制系统时延主动补偿控制方法,从数据角度出发,通过系统输入输出数据计算系统输入输出误差序列,构造闭环子空间从而计算闭环子空间矩阵,克服了开环子空间方法的有偏性;通过构造预测模型,设计闭环子空间预测控制算法及补偿结构,主动补偿网络时延的影响;同时考虑系统实时性,采用一种简便的递推计算式更新参数矩阵以替代复杂的矩阵分解算法,从而减小最优多步控制量的在线递推计算量,减小了计算复杂度,提高了系统的实时性。
Description
技术领域
本发明涉及网络控制技术领域,具体涉及一种数据驱动的网络控制系统时延主动补偿控制方法。
背景技术
当前,云控制系统(Cloud control system,CCS)的研究和应用还存在许多挑战。将工业云接入生产过程,这对于网络时延、性能以及计算力都提出了非常高的要求。云控制系统是网络控制系统(Networked control system,NCS)的进一步扩展。因此,对NCS时延、错序、性能及稳定性的研究是云控制系统的基础理论,也是构建工业云平台的核心,具有非常重要的现实意义。
由于实际生产过程是复杂多变的,通过网络连接的控制系统往往无法建模。随着通信技术、物联网技术的发展,能够获取并存储系统在运行过程中产生的海量数据。从数据角度出发,利用各种智能算法实现系统自主控制,将是这一研究领域的趋势。
子空间方法也是一种基于数据的方法,也在各行业实际系统中得到了应用,并取得了良好的效果。子空间方法理论得到了很大发展和应用,但在一些基本问题上还没有形成较系统和完备的理论,比如系统稳定性以及估计误差的收敛性问题。目前,子空间方法已经应用到网络控制系统中以辨识系统矩阵,但现有方法假设系统输入与噪声不相关,导致了估计的偏差性,从而使控制器不能满足系统性能要求。
发明内容
基于以上问题,本发明提供一种数据驱动的网络控制系统时延主动补偿控制方法,从数据角度出发,通过输入输出数据计算系统输入输出误差序列,构造闭环子空间从而计算闭环子空间矩阵,克服开环子空间方法的有偏性;通过构造预测模型,设计闭环子空间预测控制算法及补偿结构,主动补偿网络时延的影响,克服时延的影响;同时考虑系统实时性,采用一种简便的参数矩阵递推更新方法替代复杂的矩阵分解算法,从而减小最优多步控制量的在线递推计算量,减小了计算复杂度,提高了系统的实时性。
为解决以上技术问题,本发明提供了一种数据驱动的网络控制系统时延主动补偿控制方法,包括如下步骤:
S1、获取控制系统输入数据和输出数据,在云服务器中将输入输出数据转换成Hankel矩阵形式;
S2、分析系统输入与噪声之间的相关性,计算输入输出误差序列,构造闭环系统的扩展子空间,利用子空间方法,根据输入输出数据辨识系统矩阵;
S3、根据系统矩阵建立控制系统的状态模型;
S4、根据系统状态模型设计预测控制算法,设立目标性能函数,计算最优多步预测控制量序列,主动补偿网络时延影响;
S5、根据输入输出数据对矩阵参数进行更新,滚动计算最优多步控制量序列,实现最优多步控制量的在线递推计算,减小计算量,提高系统实时性。
进一步地,步骤S1中Hankel矩阵的建立方法为:考虑输入输出数据离散线性时不变状态空间信息形式:
其中A、B、C为具有相应维数的常矩阵,K为卡尔曼滤波增益,e(k)为噪声序列;xk∈Rn为系统状态,系统输出为yk∈Rm,作用于被控对象的控制量uk∈Rl;
对式(1)进行迭代可得如下的输入输出方程:
其中Xp和Xf代表系统“过去”和“将来”的状态矩阵,Up、Uf、Yp、Yf、Ef为Hankel矩阵。
进一步地,步骤S2中闭环系统的扩展子空间构造过程为:
因数据传输存在时延现象,控制器的状态空间模型需考虑时延因素:
式中τ为传输时延,v为白噪声输入,控制器输入即为系统输出y,控制器输出即为系统输入u,控制器状态向量为xc;考虑时延因素,将Bc,Dc参数改为受时延影响的变量形式,模型改写为
用下列暂态形式替代式(1)和(3)的白噪声项e(k)、v(k)
其中输入输出序列是k0至k时刻的有限维序列;u(k)、y(k)在W[k0 k)上的投影分别用u(k)/W[k0 k)和y(k)/W[k0 k)表示;当(k-k0)→∞时, 系统状态向量和控制器状态向量的kalman估计由下述投影计算:
其值根据输入输出序列的更新通过下式进行更新:
上式第二项可表示为
而式(9)的第一项可作为ΓNX[k k+s]的近似,即
然后通过矩阵SVD分解可得到矩阵ΓN,最后分别计算出系统矩阵A,B,C;
采用扩展子空间方法对系统矩阵{A,B,C}的估计为一致估计,由式(2)可知
对上式进行斜投影
根据扩展子空间∑[k k+s]的定义以及斜投影的性质,上式第二项为零,则
k时刻控制器收到的数据[u(k),y(k)]实际为k-τsc时刻传感器端发送的数据[u(k-τsc),y(k-τsc)];控制器根据数据包时间戳计算反馈时延τsc并进行补偿;若p+N-1个数据对[u(k),y(k)]为已知,对系统表达式迭代展开可得到
其中Yk=[y(k-N+1)y(k-N+2)…y(k)]
Ek=[e(k-N+1)e(k-N+2)…e(k)]
Xk-p=[x(k-p-N+1)x(k-p-N+2)…x(k-p)]
假设预测长度为f,令
在k时刻可预测未来f步系统输出[14]:
其中
假定参考信号序列为
γ[k+1,k+f)=[rT(k+1)rT(k+2)…rT(k+f-1)]T设定如下目标函数:
进一步地,步骤S5中对矩阵参数的更新具体算法为:数据更新过程中,考虑在线实时性问题,找出参数在k+1时刻与k时刻的递推关系来实现参数的更新,在获得新数据u(k+1)和y(k+1)后,将向量[uT(k-p+1)、yT(k-p+1)、uT(k-p+2)、yT(k-p+2)...uT(k)、yT(k)]T加入到Zp的最后一列,而把第一列旧向量剔除,保持数据量不变,令:
Zn=[uT(k-p+1)yT(k-p+1)uT(k-p+2)yT(k-p+2)…uT(k)yT(k)]T
ZO=[uT(k-p-N+2)yT(k-p-N+2)uT(k-p-N+3)yT(k-p-N+
3)…uT(k-N+1)yT(k-N+1)]T
则W1、W2、W3和W4满足如下关系:
[W1 W2]=[W3 W4]
于是有[W1 W2][W1 W2]T=[W3 W4][W3 W4]T
与现有技术相比,本发明的有益效果是:
1)本发明考虑系统输入与噪声之间的相关性,在闭环条件下构造扩展子空间,利用子空间理论,从输入输出数据中辨识系统矩阵,从而建立系统模型。将子空间理论与预测控制方法相结合设计控制器,计算最优多步预测控制量序列,对网络时延进行有效补偿;克服了开环状态下子空间方法的有偏性。
2)设计了一种简单的参数矩阵更新方法以替代复杂的矩阵LQ分解,降低了在线递推计算量,提高系统实时性。
附图说明
图1为实施例中主动补偿型网络控制系统结构图;
图2为实施例中伪随机二值序列输入信号;
图3为实施例中用于辨识的直流电机输出响应;
图4为实施例中总时延小于等于2T时的闭环系统阶跃响应;
图5为实施例中总时延小于等于4T时的闭环系统阶跃响应;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例:
问题描述:NCS系统结构如图1所示,控制器至执行器的前向通道以及传感器至控制器的反馈通道均有网络连接;被控对象为离散对象。输入输出数据经采集后以[u(k),y(k)]的格式打包,由发送器经网络传送至控制器,由控制器计算控制量。执行器端设有延迟补偿器,接收控制器发送的数据主动补偿时延的影响。
为便于后续理论分析,对系统作以下假设:
假设1:传感器周期性地对数据进行采样;在执行器和控制器端,当数据到达后立即动作;在反馈网络中,数据传输不存在时序错乱和丢包现象。
假设2:数据以单包形式传送,均带有时间戳。控制器端和延迟补偿器均设有足够容量的先进先出(FIFO)缓存区,延迟补偿器的缓存区保存一定时序的数据包。
本实施例中的数据驱动的网络控制系统时延主动补偿控制方法具体包括如下步骤:
S1、获取控制系统输入数据和输出数据,在云服务器中将输入输出数据转换成Hankel矩阵形式;
S2、分析系统输入与噪声之间的相关性,计算输入输出误差序列,构造闭环系统的扩展子空间,利用子空间方法,根据输入输出数据辨识系统矩阵;
S3、根据系统矩阵建立控制系统的状态模型;
S4、根据系统状态模型设计预测控制算法,设立目标性能函数,计算最优多步预测控制量序列,主动补偿网络时延影响;
S5、根据输入输出数据对矩阵参数进行更新,滚动计算最优多步控制量序列,实现最优多步控制量的在线递推计算,减小计算量,提高系统实时性。
本实施例中闭环子空间方法对系统矩阵{A,B,C}估计的算法步骤如下:
③计算斜投影
④通过矩阵SVD分解求出ΓN;
上述步骤的具体算法为:
利用输入输出数据辨识系统状态空间矩阵;考虑如下离散线性时不变状态空间新息形式:
其中A、B、C为具有相应维数的常矩阵,K为卡尔曼滤波增益,e(k)为噪声序列;xk∈Rn为系统状态,系统输出为yk∈Rm,作用于被控对象的控制量uk∈Rl;
对式(1)进行迭代可得如下的输入输出方程[15]:
其中Xp和Xf代表系统“过去”和“将来”的状态矩阵,Up、Uf、Yp、Yf、Ef为Hankel矩阵;数据传输存在时延现象,控制器的状态空间模型需考虑时延因素:
式中τ为传输时延,v为白噪声输入,控制器输入即为系统输出y,控制器输出即为系统输入u,控制器状态向量为xc;考虑时延因素,将Bc,Dc参数改为受时延影响的变量形式,模型改写为
用下列暂态形式替代式(1)和(3)的白噪声项e(k)、v(k)
其中输入输出序列是k0至k时刻的有限维序列;u(k)、y(k)在W[k0 k)上的投影分别用u(k)/W[k0 k)和y(k)/W[k0 k)表示;当(k-k0)→∞时,系统状态向量和控制器状态向量的kalman估计由下述投影计算:
其值根据输入输出序列的更新通过下式进行更新:
上式第二项可表示为
而式(9)的第一项可作为ΓNX[k k+s]的近似,即
然后通过矩阵SVD分解可得到矩阵ΓN,最后分别计算出系统矩阵A,B,C。
采用扩展子空间方法对系统矩阵{A,B,C}的估计为一致估计,由式(2)可知
对上式进行斜投影
根据扩展子空间∑[k k+s]的定义以及斜投影的性质,上式第二项为零,则
控制器设计
k时刻控制器收到的数据[u(k),y(k)]实际为k-τsc时刻传感器端发送的数据[u(k-τsc),y(k-τsc)];控制器根据数据包时间戳计算反馈时延τsc并进行补偿;若p+N-1个数据对[u(k),y(k)]为已知,对系统表达式迭代展开可得到
其中Yk=[y(k-N+1)y(k-N+2)…y(k)]
Ek=[e(k-N+1)e(k-N+2)…e(k)]
Xk-p=[x(k-p-N+1)x(k-p-N+2)…x(k-p)]
假设预测长度为f,令
在k时刻可预测未来f步系统输出[14]:
其中
U[k,k+f-1)=[uT(k)uT(k+1)…uT(k+f-2)]T
假定参考信号序列为
γ[k+1,k+f)=[rT(k+1)rT(k+2)…rT(k+f-1)]T,设定如下目标函数:
通过式(13)、(14)和(15)可看出,若实时更新Γ和Λ,就能实时计算最优多步控制量序列;而如果用式(12)进行矩阵LQ分解来更新则过于复杂不适于在线计算;为提高系统实时性,本发明采用一种较为简便的递推计算方法;在获得新数据u(k+1)和y(k+1)后,将向量[uT(k-p+1) yT(k-p+1) uT(k-p+2) yT(k-p+2)…uT(k)yT(k)]T加入到Zp的最后一列,而把第一列旧向量剔除,保持数据量不变;令:
Zn=[uT(k-p+1)yT(k-p+1)uT(k-p+2)yT(k-p+2)…uT(k)yT(k)T
Z0=[uT(k-p-N+2)yT(k-p-N+2)uT(k-p-N+3)yT(k-p-N+
3)…uT(k-N+1)yT(k-N+1)]T
则W1、W2、W3和W4满足如下关系:
[W1 W2]=[W3 W4]
于是有[W1 W2][W1 W2]T=[W3 W4][W3 W4]T
由此,只需要离线计算一次和此后每个采样时刻得到新的输入输出数据后,就可通过式(17)和(18)在线更新而不是每个时刻都通过式(12)的矩阵LQ分解进行求解,再通过式(14)求出新的Γ和Λ,最后通过式(15)计算最新的最优预测控制量序列。
控制器收到传感器数据包,根据时间戳计算反馈时延利用本文控制算法主动补偿反馈时延和前向时延的影响;控制数据包的数据长度因的不同而不同。若k时刻控制量序列计算为:[u(k+1|k),u(k+2|k),…,u(k+f-1|k)],则其中的个控制量将被打包成一个块包发送给执行器。执行器端的延迟补偿器根据时间戳选择最新时序的控制包存于缓存区,并计算总时延,根据总时延从序列中挑选控制数据作用于被控对象。比如总时延为时,则从序列中选择控制量
通过计算系统输入输出误差序列,构造闭环子空间从而计算闭环子空间矩阵,克服开环子空间方法的有偏性;通过构造预测模型,设计闭环子空间预测控制算法及补偿结构,主动补偿网络时延的影响,克服时延的影响;同时考虑系统实时性,采用一种简便的参数矩阵更新方法替代复杂的矩阵分解算法,从而减小最优多步控制量的在线递推计算量,减小了计算复杂度,提高了系统实时性。
实验验证
以一个单输入单输出的二阶直流电机伺服系统为实验对象,对本发明提出的控制方法进行验证。直流电机模型由传递函数来描述:
设采样周期T=0.04s,反馈时延和前向时延上界均为2T。首先将传递函数离散化为状态空间模型
y(k)=[0.00700.0061]x(k)
电机转速由系统输出y表示,电机输入电压由系统输入u表示。为辨识系统矩阵参数,将图2的伪随机二值信号施加于被控对象,得到图3所示的输出信号。
将本发明方法与开环子空间方法作比较。在开环子空间方法中,先不考虑加入反馈闭环,通过输入输出数据构建Hankel矩阵,再按相应算式及矩阵Q-R分解方法,计算出Lw和Lu:
然后根据Lw和Lu在线计算未来控制输入序列。
采用本发明方法对被控对象进行线辨识,得到系统矩阵的估计值:
取p=10,f=5,N=100,Q=I,R=I,按本发明控制算法主动补偿时延影响;图4和图5分别表示总时延小于等于2T、4T时,两种不同方法的阶跃响应情况;从性能上看,本发明方法明显好于开环子空间方法。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (5)
1.一种数据驱动的网络控制系统时延主动补偿控制方法,其特征在于,包括如下步骤:
S1、获取控制系统输入数据和输出数据,在云服务器中将输入输出数据转换成Hankel矩阵形式;
S2、分析系统输入与噪声之间的相关性,计算输入输出误差序列,构造闭环系统的扩展子空间,利用子空间方法,根据输入输出数据辨识系统矩阵;
S3、根据系统矩阵建立控制系统的状态模型;
S4、根据系统状态模型设计预测控制算法,设立目标性能函数,计算最优多步预测控制量序列,主动补偿网络时延影响;
S5、根据输入输出数据对矩阵参数进行更新,滚动计算最优多步控制量序列,实现最优多步控制量的在线递推计算,减小计算量,提高系统实时性。
3.根据权利要求2所述的一种数据驱动的网络控制系统时延主动补偿控制方法,其特征在于,步骤S2中闭环系统的扩展子空间构造过程为:
因数据传输存在时延现象,控制器的状态空间模型需考虑时延因素:
式中τ为传输时延,v为白噪声输入,控制器输入即为系统输出y,控制器输出即为系统输入u,控制器状态向量为xc;考虑时延因素,将Bc,Dc参数改为受时延影响的变量形式,模型改写为
用下列暂态形式替代式(1)和(3)的白噪声项e(k)、v(k)
其中输入输出序列是k0至k时刻的有限维序列;u(k)、y(k)在W[k0k)上的投影分别用u(k)/W[k0k)和y(k)/W[k0k)表示;当(k-k0)→∞时, 系统状态向量和控制器状态向量的kalman估计由下述投影计算:
其值根据输入输出序列的更新通过下式进行更新:
上式第二项可表示为
而式(9)的第一项可作为ΓNX[kk+s]的近似,即
然后通过矩阵SVD分解可得到矩阵ΓN,最后分别计算出系统矩阵A,B,C;
采用扩展子空间方法对系统矩阵{A,B,C}的估计为一致估计,由式(2)可知
对上式进行斜投影
根据扩展子空间∑[kk+s]的定义以及斜投影的性质,上式第二项为零,则
4.根据权利要求3所述的一种数据驱动的网络控制系统时延主动补偿控制方法,其特征在于,步骤S4中最优多步预测控制量序列的计算方法为:控制器根据反馈时延情况在线递推计算控制量序列,并发送至执行器;在式(1)中,令系统可表示为:
k时刻控制器收到的数据[u(k),y(k)]实际为k-τsc时刻传感器端发送的数据[u(k-τsc),y(k-τsc)];控制器根据数据包时间戳计算反馈时延τsc并进行补偿;若p+N-1个数据对[u(k),y(k)]为已知,对系统表达式迭代展开可得到
其中Yk=[y(k-N+1) y(k-N+2) … y(k)]
Ek=[e(k-N+1) e(k-N+2) … e(k)]
Xk-p=[x(k-p-N+1) x(k-p-N+2) … x(k-p)]
假设预测长度为f,令
在k时刻可预测未来f步系统输出[14]:
其中
U[k,k+f-1)=[uT(k) uT(k+1) … uT(k+f-2)]T
假定参考信号序列为:
γ[k+1,k+f)=[rT(k+1) rT(k+2) …rT(k+f-1)]T
设定如下目标函数:
5.根据权利要求4所述的一种数据驱动的网络控制系统时延主动补偿控制方法,其特征在于,步骤S5中对矩阵参数的更新具体算法为:数据更新过程中,考虑在线实时性问题,找出参数在k+1时刻与k时刻的递推关系来实现参数的更新,在获得新数据u(k+1)和y(k+1)后,将向量[uT(k-p+1)、yT(k-p+1)、uT(k-p+2)、yT(k-p+2)…uT(k)、yT(k)]T加入到Zp的最后一列,而把第一列旧向量剔除,保持数据量不变,令:
Zn=[uT(k-p+1) yT(k-p+1) uT(k-p+2) yT(k-p+2) … uT(k) yT(k)]T
Zo=[uT(k-p-N+2) yT(k-p-N+2) uT(k-p-N+3) yT(k-p-N+3) … uT(k-N+1) yT(k-N+1)]T
则W1、W2、W3和W4满足如下关系:
[W1 W2]=[W3 W4]
于是有[W1 W2][W1 W2]T=[W3 W4][W3 W4]T
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035401.6A CN111190350A (zh) | 2020-01-14 | 2020-01-14 | 一种数据驱动的网络控制系统时延主动补偿控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035401.6A CN111190350A (zh) | 2020-01-14 | 2020-01-14 | 一种数据驱动的网络控制系统时延主动补偿控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111190350A true CN111190350A (zh) | 2020-05-22 |
Family
ID=70708162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035401.6A Pending CN111190350A (zh) | 2020-01-14 | 2020-01-14 | 一种数据驱动的网络控制系统时延主动补偿控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190350A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112636719A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
CN112650251A (zh) * | 2020-12-24 | 2021-04-13 | 北京理工大学 | 基于云计算的主从式多智能体预测控制系统及方法 |
CN115134162A (zh) * | 2022-07-15 | 2022-09-30 | 西南民族大学 | 一种工业控制系统恶意威胁的检测和补偿方法及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491247A (zh) * | 2018-11-19 | 2019-03-19 | 北京理工大学 | 一种数据驱动预测云控制方法 |
-
2020
- 2020-01-14 CN CN202010035401.6A patent/CN111190350A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491247A (zh) * | 2018-11-19 | 2019-03-19 | 北京理工大学 | 一种数据驱动预测云控制方法 |
Non-Patent Citations (1)
Title |
---|
付伟: "网络控制系统长时延和丢包的主动补偿控制方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112636719A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
CN112636719B (zh) * | 2020-12-17 | 2023-10-13 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
CN112650251A (zh) * | 2020-12-24 | 2021-04-13 | 北京理工大学 | 基于云计算的主从式多智能体预测控制系统及方法 |
CN115134162A (zh) * | 2022-07-15 | 2022-09-30 | 西南民族大学 | 一种工业控制系统恶意威胁的检测和补偿方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Finite-time bipartite synchronization of switched competitive neural networks with time delay via quantized control | |
CN111190350A (zh) | 一种数据驱动的网络控制系统时延主动补偿控制方法 | |
Sahoo et al. | Near optimal event-triggered control of nonlinear discrete-time systems using neurodynamic programming | |
Liu et al. | Adaptive fixed-time hierarchical sliding mode control for switched under-actuated systems with dead-zone constraints via event-triggered strategy | |
CN112327633A (zh) | 具有时滞和干扰的领导跟随多智能体系统一致性的方法 | |
CN113406886B (zh) | 单连杆机械臂的模糊自适应控制方法、系统及存储介质 | |
Zhao et al. | A predictive control-based approach to networked Hammerstein systems: Design and stability analysis | |
Li et al. | Event-triggered group consensus for one-sided Lipschitz multi-agent systems with input saturation | |
Fei et al. | A discontinuous Lyapunov function approach for hybrid event-triggered control of T–S fuzzy systems | |
Xiong et al. | Fixed-time adaptive observer-based time-varying formation control for multi-agent systems with directed topologies | |
Xu et al. | Channel modeling and LQG control in the presence of random delays and packet drops | |
Li et al. | Adaptive event-triggered finite-time H∞ control for fuzzy semi-Markovian jump systems with immeasurable premise variables | |
Cao et al. | A distributed predictive formation control strategy for cyber-physical multi-agent systems under communication constraints | |
Li et al. | Distributed adaptive leader-following consensus control of connected Lagrangian systems with input hysteresis quantization and time-varying control gain | |
Berkel et al. | An event-triggered cooperation approach for robust distributed model predictive control | |
Fu et al. | Dynamic event-triggered adaptive control for uncertain stochastic nonlinear systems | |
Tran et al. | A modified generic second order algorithm with fixed-time stability | |
WO2022257185A1 (zh) | 一种基于人工神经网络的机器人外界接触力估计方法 | |
Long et al. | Finite-time consensus of nonlinear multi-agent systems via impulsive time window theory: a two-stage control strategy | |
Heydari et al. | Robust event-triggered model predictive control of polytopic LPV systems: An input-to-state stability approach | |
Qi et al. | Adaptive learning control for triggered switched systems based on unknown direction control gain function | |
CN114488786A (zh) | 一种基于a3c和事件触发的网络化伺服系统控制方法 | |
Yu et al. | A data-driven distributed adaptive control approach for nonlinear multi-agent systems | |
Elamin et al. | On the steady-state error covariance matrix of Kalman filtering with intermittent observations in the presence of correlated noises at the same time | |
Li et al. | Adaptive reduced parameters fault-tolerant tracking control for stochastic multiagent systems with simplified memory event-triggered strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |