CN111830826A - 一种网络化双模自适应时域模型控制方法及系统 - Google Patents

一种网络化双模自适应时域模型控制方法及系统 Download PDF

Info

Publication number
CN111830826A
CN111830826A CN202010479297.XA CN202010479297A CN111830826A CN 111830826 A CN111830826 A CN 111830826A CN 202010479297 A CN202010479297 A CN 202010479297A CN 111830826 A CN111830826 A CN 111830826A
Authority
CN
China
Prior art keywords
control
time domain
controller
prediction
state
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.)
Granted
Application number
CN202010479297.XA
Other languages
English (en)
Other versions
CN111830826B (zh
Inventor
康宇
李鹏飞
王涛
陈绍冯
吕文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010479297.XA priority Critical patent/CN111830826B/zh
Publication of CN111830826A publication Critical patent/CN111830826A/zh
Application granted granted Critical
Publication of CN111830826B publication Critical patent/CN111830826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明的一种网络化双模自适应时域模型控制方法及系统，可解决现有模型预测控制器在指定的时间间隔内在线求解非线性规划问题时，计算过程将消耗大量的计算资源的技术问题。基于计算机设备，执行以下步骤：建立具有有界扰动的约束非线性被控对象的控制模型；设计通信网络，并设置网络特性；设计远程自适应时域模型预测控制器；设计局部控制器，并选择控制输入；设计判决器，用以决定采用局部控制器，还是采用远端控制器；针对真实的控制输入量，实现双模自适应时域模型预测控制。本发明将优化问题的计算从局部控制器转移到的远端，放宽了对计算资源的需求，使得平均计算时间变小，同时基于序列的传输能够补偿可能的网络丢包问题。

Description

一种网络化双模自适应时域模型控制方法及系统
技术领域
本发明涉及控制技术领域，具体涉及一种网络化双模自适应时域模型控制方法及系统。
背景技术
模型预测控制(Model Predictive Control,MPC)是处理多输入多输出系统的强大控制工具，同时明确考虑了状态和输入约束并优化系统的控制性能，因此在化工过程，机械系统以及其他许多领域都具有广泛的应用。但是，模型预测控制器需要在指定的时间间隔内在线求解一个非线性规划问题。这是一个计算密集的过程，尤其是针对高维系统以及预测时域较大的情况。因此，这个要求可能会引发如下两个问题：1)计算过程将消耗大量的计算资源，而本地控制器可能无法承受；2)高计算复杂性使得计算延迟过大，从而恶化控制性能。这两个问题严重阻碍了模型预测控制在实际系统中的应用，因此解决此类问题在理论上和实践上都具有重要意义。
发明内容
本发明提出的一种网络化双模自适应时域模型控制方法及系统，可解决现有模型预测控制器在指定的时间间隔内在线求解非线性规划问题时，计算过程将消耗大量的计算资源，导致本地控制器可能无法承受的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种网络化双模自适应时域模型控制方法，包括基于计算机设备，执行以下步骤：
S100、建立具有有界扰动的约束非线性被控对象的控制模型；
S200、基于步骤S100的控制模型，设计通信网络，并设置网络特性；
S300、设计远程自适应时域模型预测控制器；
S400、依据S300确定辅助控制律设计局部控制器，并选择控制输入；
S500、设计判决器，用以决定采用步骤S400的局部控制器，还是采用S300的远程自适应时域模型预测控制器；
S600、针对真实的控制输入量，基于步骤S500实现双模自适应时域模型预测控制。
进一步的，所述步骤S100建立具有有界扰动的约束非线性被控对象的控制模型；其中控制模型为：
x(k+1)＝f(x(k)，u(k)，w(k)) (1)
其中：k是系统运行时刻，k≥0；
Figure BDA0002516776700000021
为k时刻的状态向量；
Figure BDA0002516776700000022
为输入向量；
Figure BDA0002516776700000023
为外界干扰向量；状态，输入及干扰分别满足约束
Figure BDA0002516776700000024
而
Figure BDA0002516776700000025
均为有界闭集且包含原点；f是定义在
Figure BDA0002516776700000026
上的连续函数。
进一步的，所述S200基于步骤S100的控制模型，设计通信网络，并设置网络特性；
其中，控制设备传感器，控制器和执行器之间的数据交互是通过通信网络来实现的；
传输层的协议设置为TCP协议，则网络会回传一个确认信号来告知数据包是否传输成功；数据包未成功传输，则认为发生丢包；
丢包过程建模为
Figure BDA0002516776700000027
Figure BDA0002516776700000028
两个网络即传感器到控制器网络一和控制器到执行器网络二的最大连续丢包数分别为Ns和Nc，并记
Figure BDA0002516776700000031
进一步的，所述S300设计远程自适应时域模型预测控制器；包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器；
具体包括以下步骤：
1)状态估计器用来估计系统当前状态，即
Figure BDA0002516776700000032
其中
Figure BDA0002516776700000033
为k时刻的估计状态，u(k)为k时刻系统的真实输入；
2)模型预测控制器用于求解下面的有限时域最优控制问题：
Figure BDA0002516776700000034
s.t.zi+1＝f(zi，vi，0)
Figure BDA0002516776700000035
Figure BDA0002516776700000036
Figure BDA0002516776700000037
Figure BDA0002516776700000038
其中L(z，v)和F(z)分别为正定的阶段代价和终端代价，v＝{v0，v1，...，vN(k)}为决策变量；
N(k)为k时刻的预测时域且N(0)＝Nmax，Nmax为事先设定的最大预测时域，
Figure BDA0002516776700000039
为终端状态约束集，并满足如下条件：对于任意
Figure BDA00025167767000000310
存在辅助状态反馈控制律
Figure BDA00025167767000000311
使得
F(f(x，k(x)，0))-F(x)≤-L(x，k(x))
并且
Figure BDA0002516776700000041
通过常规的优化求解器求解优化问题(5)，得到最优解记为
Figure BDA0002516776700000042
而相对应的预测状态序列记为
Figure BDA0002516776700000043
其中
Figure BDA0002516776700000044
m＝0，1，...，N(k)-1。
3)预测时域估计器的算法步骤如下：
输入为估计状态
Figure BDA0002516776700000045
输出为预测时域N(k)；
①初始化M个最新预测状态和控制序列对BM(k)＝{B(t1)，...，B(tM)}，其中
Figure BDA0002516776700000046
t1，...，tM分别为k时刻之前最后M次执行MPC的时刻，其满足t1＜…＜tM＜k；
②初始化预测时域下界N(k)＝N(tM)-(k-tM)；
③令i＝1，执行④；
④从
Figure BDA0002516776700000047
中选择K个最接近
Figure BDA0002516776700000048
的点，分别记为
Figure BDA0002516776700000049
若
Figure BDA00025167767000000410
的序列长度小于K，则该选中该序列的所有元素；
⑤令j＝1，执行⑥；
⑥判断序列
Figure BDA00025167767000000411
是否是
Figure BDA00025167767000000412
的一个可行序列；若是，则转⑦；否则，转⑧；
⑦令
Figure BDA00025167767000000413
j＝j+1，若j≤K，转⑥；否则，转⑨；
⑧令
Figure BDA00025167767000000414
j＝j+1，若j≤K，转⑥；否则，转⑨；
⑨令i＝i+1，若i≤M，转④；否则，转⑩；
⑩得到
Figure BDA0002516776700000051
结束；
若当前时刻可用的预测状态和控制序列对少于M，则所有序列对均被使用，且M为所有序列对的数目；
4)设计预测控制包生成器，用以补偿可能的丢包，具体过程如下：
若
Figure BDA0002516776700000052
即当前预测时域大于最大可能连续丢包数，则预测控制包为：
Figure BDA0002516776700000053
否则，先用辅助控制律k(x)计算剩余
Figure BDA0002516776700000054
个控制量，即
Figure BDA0002516776700000055
然后得到
Figure BDA0002516776700000056
5)设计控制序列的缓冲器，用以存储控制序列
brr(k)＝dc(k)Sbrr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTbrr(k) (7)
其中，dc(k)在(2)式中定义，brr(k)为k时刻缓冲器的内容且brr(0)＝0，上标T表示向量或矩阵的转置，
Figure BDA0002516776700000057
进一步的，所述S400设计局部控制器；其中，局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器；
具体步骤如下：
1)控制序列生成器；
采用辅助控制律来获得局部的预测控制序列
Figure BDA0002516776700000061
其中
Figure BDA0002516776700000062
得到的控制序列记为
Figure BDA0002516776700000063
2)缓冲器一；用来存储局部预测控制序列，并提供可供选择的局部控制输入ul(k)；
bll(k)＝(1-dl(k))Sbll(k-1)+dl(k)ul(k)
ul(k)＝eTbll(k) (9)
其中，dl(k)＝1表示采用局部控制器；dl(k)＝0表示当前时刻采用远端控制器；bll(k)表示缓冲器一的在k时刻的内容；
3)缓冲器二；用来存储收到的远端预测控制序列，并提供可供选择的局部控制输入ur(k)；
blr(k)＝dc(k)Sblr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTblr(k) (10)
其中，dc(k)在(2)式中定义，blr(k)为k时刻缓冲器二的内容且blr(0)＝0；
4)选择器；从ul(k)和ur(k)中选择一个合适的控制量作为控制输入；
记tr，c(k)为k时刻或之前最后一次成功收到远程控制包的时刻，记tl(k)为k时刻或之前最后一次选择局部控制器的时刻；
那么真实控制输入u(k)为
Figure BDA0002516776700000071
进一步的，所述S500设计判决器，用以决定采用步骤S400的局部控制器，还是采用S300的远程自适应时域模型预测控制器；
其中判断规则如下：
若
Figure BDA0002516776700000072
则选用局部控制器；否则，选用远程控制器；
Figure BDA0002516776700000073
为终端状态约束集。
进一步的，所述S600针对真实的控制输入量，基于步骤S500实现双模自适应时域模型预测控制；
具体包括：
初始化：设置初始状态为x0，并计算预测时域为Nmax的有限时域最优控制得到预测控制状态序列对
Figure BDA0002516776700000074
并得到控制输入u(0)；设置k＝1；
①获得x(k)，判决器判定
Figure BDA0002516776700000075
是否满足；若满足，转②；否则，转④；
②利用(8)式计算局部预测控制序列；
③分别按照(9)式和(10)式更新缓冲器一和缓冲器二的内容；缓冲器一提供ul(k)作为真实控制输入；令k＝k+1，并转①；
④根据是否发生丢包，利用(4)式得到当前的估计状态
Figure BDA0002516776700000076
⑤利用最新的BM(k)估计得到当前的预测时域N(k)；
⑥以
Figure BDA0002516776700000077
为初始状态，N(k)为预测时域求解有限时域最优控制问题(5)，并得到预测控制状态序列对；
⑦根据(6)得到长度为
Figure BDA0002516776700000078
的预测控制包，并发送给局部控制器；
⑧根据(7)，(9)和(10)分别更新各个缓冲器的内容，并提供ul(k)和ur(k)；
⑨根据(10)式选择控制量作为真实控制输入；令k＝k+1，并转①。
另一方面，本发明还公开一种网络化双模自适应时域模型控制系统，包括控制设备，所述控制设备包括传感器、控制器和执行器，所述传感器，控制器和执行器之间的数据交互是通过通信网络来实现的；
包括以下单元：
控制模型单元，用于建立具有有界扰动的约束非线性被控对象的控制模型；
网络设置单元，基于控制模型，设计通信网络，并设置网络特性；
远端控制器单元，用于设计远程自适应时域模型预测控制器；
局部控制器单元，用于设计局部控制器，并选择控制输入；
判决器单元，用于设计判决器，用以决定采用局部控制器，还是采用远程自适应时域模型预测控制器；
控制单元，用于针对真实的控制输入量，实现双模自适应时域模型预测控制。
进一步的，所述远程自适应时域模型预测控制器包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器。
进一步的，所述局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器
由上述技术方案可知，本发明的网络化双模自适应时域模型控制方法考虑模型预测控制对计算资源的消耗以及对计算效率的要求，设计了网络化双模自适应时域模型预测控制，使得计算消耗时间大幅减少并且维持较好的控制性能。
本发明的有益效果：
本发明考虑计算模型预测控制的计算时延大、消耗计算资源多的问题，设计网络化的双模自适应时域模型预测控制方法，将优化问题的计算从局部控制器转移到的远端，放宽了对计算资源的需求，使得平均计算时间变小，同时基于序列的传输能够补偿可能的网络丢包问题。
附图说明
图1是本发明的方法流程图；
图2是本发明系统的配置图；
图3是本发明的预测时域的变化曲线；
图4是本发明实施例与传统固定时域算法的计算耗时对比曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明实施例考虑计算模型预测控制的计算时延大、消耗计算资源多的问题，设计网络化的双模自适应时域模型预测控制方法。
如图1所示，本实施例所述的一种网络化双模自适应时域模型预测控制方法，包括以下步骤：
S100、建立具有有界扰动的约束非线性被控对象的控制模型；
S200、基于步骤S100的控制模型，设计通信网络，并设置网络特性；
S300、设计远程自适应时域模型预测控制器；
S400、依据S300中的确定的辅助控制律设计局部控制器，并选择控制输入；
S500、设计判决器，用以决定采用步骤S400的局部控制器，还是采用S300的远程自适应时域模型预测控制器；
S600、针对真实的控制输入量，基于步骤S500实现双模自适应时域模型预测控制。
以下结合图2和图3对上述步骤进行具体展开说明：
步骤1：建立具有有界扰动的约束非线性被控对象的控制模型
x(k+1)＝f(x(k)，u(k)，w(k)) (1)
其中：k是系统运行时刻，k≥0；
Figure BDA0002516776700000101
为k时刻的状态向量；
Figure BDA0002516776700000102
为输入向量；
Figure BDA0002516776700000103
为外界干扰向量。状态，输入及干扰分别满足约束
Figure BDA0002516776700000104
而
Figure BDA0002516776700000105
均为有界闭集且包含原点。f是定义在
Figure BDA0002516776700000106
上的连续函数。
步骤2：设置通信网络，并刻画网络特性；
传感器，控制器和执行器之间的数据交互是通过通信网络来实现的。传输层的协议设置为TCP协议，也就是说网络会回传一个确认信号(Acknowledgement，ACK)来告知数据包是否传输成功。数据包未成功传输，则认为发生丢包。丢包过程建模为
Figure BDA0002516776700000107
Figure BDA0002516776700000108
两个网络(传感器到控制器网络和控制器到执行器网络)的最大连续丢包数分别为Ns和Nc，并记
Figure BDA0002516776700000109
步骤3：设计远程自适应时域模型预测控制器，包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器。
具体地来说，
1)状态估计器用来估计系统当前状态，即
Figure BDA0002516776700000111
其中
Figure BDA0002516776700000112
为k时刻的估计状态，u(k)为k时刻系统的真实输入。
2)模型预测控制器需要求解下面的有限时域最优控制问题：
Figure BDA0002516776700000113
s.t.zi+1＝f(zi，vi，0)
Figure BDA0002516776700000114
Figure BDA0002516776700000115
Figure BDA0002516776700000116
Figure BDA0002516776700000117
其中L(z，v)和F(z)分别为正定的阶段代价和终端代价，v＝{v0，v1，...，vN(k)}为决策变量。N(k)为k时刻的预测时域且N(0)＝Nmax，Nmax为事先设定的最大预测时域，
Figure BDA0002516776700000118
为终端状态约束集，并满足如下条件：对于任意
Figure BDA0002516776700000119
存在辅助状态反馈控制律
Figure BDA00025167767000001110
使得
F(f(x，k(x)，0))-F(x)≤-L(x，k(x))
并且
Figure BDA00025167767000001111
通过常规的优化求解器求解优化问题(5)，如Matlab的fmincon函数，可以得到最优解(最优控制序列)记为
Figure BDA00025167767000001112
而相对应的预测状态序列记为
Figure BDA00025167767000001113
其中
Figure BDA00025167767000001114
m＝0，1，...，N(k)-1。
3)预测时域估计器的算法设计如下：
输入为估计状态
Figure BDA0002516776700000121
输出为预测时域N(k)；
①初始化M个最新预测状态和控制序列对BM(k)＝{B(t1)，...，B(tM)}，其中
Figure BDA0002516776700000122
t1，...，tM分别为k时刻之前最后M次执行MPC的时刻，其满足t1＜…＜tM＜k；
②初始化预测时域下界N(k)＝N(tM)-(k-tM)；
③令i＝1，执行④；
④从
Figure BDA0002516776700000123
中选择K个最接近
Figure BDA0002516776700000124
的点，分别记为
Figure BDA0002516776700000125
若
Figure BDA0002516776700000126
的序列长度小于K，则该选中该序列的所有元素；
⑤令j＝1，执行⑥；
⑥判断序列
Figure BDA0002516776700000127
是否是
Figure BDA0002516776700000128
的一个可行序列。若是，则转⑦；否则，转⑧；
⑦令
Figure BDA0002516776700000129
j＝j+1，若j≤K，转⑥；否则，转⑨；
⑧令
Figure BDA00025167767000001210
j＝j+1，若j≤K，转⑥；否则，转⑨；
⑨令i＝i+1，若i≤M，转④；否则，转⑩；
⑩得到
Figure BDA00025167767000001211
结束；
若当前时刻可用的预测状态和控制序列对少于M，则所有序列对均被使用，且M为所有序列对的数目。
4)设计预测控制包生成器，用以补偿可能的丢包，设计过程如下：
若
Figure BDA0002516776700000131
即当前预测时域大于最大可能连续丢包数，则预测控制包为
Figure BDA0002516776700000132
否则，先用辅助控制律k(x)计算剩余
Figure BDA0002516776700000133
个控制量，即
Figure BDA0002516776700000134
然后得到
Figure BDA0002516776700000135
5)设计控制序列的缓冲器，用以存储控制序列
brr(k)＝dc(k)Sbrr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTbrr(k) (7)
其中，dc(k)在(2)式中定义，brr(k)为k时刻缓冲器的内容且brr(0)＝0，上标T表示向量或矩阵的转置。
Figure BDA0002516776700000136
步骤4：设计局部控制器，并为被控对象提供合适的控制输入。局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器。
具体如下：
1)控制序列生成器。
采用辅助控制律来获得局部的预测控制序列
Figure BDA0002516776700000137
其中
Figure BDA0002516776700000138
得到的控制序列记为
Figure BDA0002516776700000141
2)缓冲器1。用来存储局部预测控制序列，并提供可供选择的局部控制输入ul(k)。
bll(k)＝(1-dl(k))Sbll(k-1)+dl(k)ul(k)
ul(k)＝eTbll(k) (9)
其中，dl(k)＝1表示采用局部控制器；dl(k)＝0表示当前时刻采用远端控制器。bll(k)表示缓冲器1的在k时刻的内容。
3)缓冲器2。用来存储收到的远端预测控制序列，并提供可供选择的局部控制输入ur(k)。
blr(k)＝dc(k)Sblr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTblr(k) (10)
其中，dc(k)在(2)式中定义，blr(k)为k时刻缓冲器2的内容且blr(0)＝0。
4)选择器。从ul(k)和ur(k)中选择一个合适的控制量作为控制输入。
记tr，c(k)为k时刻或之前最后一次成功收到远程控制包的时刻，记tl(k)为k时刻或之前最后一次选择局部控制器的时刻。那么真实控制输入u(k)为
Figure BDA0002516776700000142
步骤5：设计判决器，用以决定采用局部控制器还是远端控制器。
判断规则如下：
若
Figure BDA0002516776700000143
则选用局部控制器；否则，选用远程控制器。
Figure BDA0002516776700000144
为终端状态约束集。
步骤6：实现双模自适应时域模型预测控制
初始化：设置初始状态为x0，并计算预测时域为Nmax的有限时域最优控制得到预测控制状态序列对
Figure BDA0002516776700000151
并得到控制输入u(0)。设置k＝1。
①获得x(k)，判决器判定
Figure BDA0002516776700000152
是否满足。若满足，转②；否则，转④；
②利用(8)式计算局部预测控制序列；
③分别按照(9)式和(10)式更新缓冲器1和缓冲器2的内容。缓冲器1提供ul(k)作为真实控制输入；令k＝k+1，并转①；
④根据是否发生丢包，利用(4)式得到当前的估计状态
Figure BDA0002516776700000153
⑤利用最新的BM(k)估计得到当前的预测时域N(k)；
⑥以
Figure BDA0002516776700000154
为初始状态，N(k)为预测时域求解有限时域最优控制问题(5)，并得到预测控制状态序列对。
⑦根据(6)得到长度为
Figure BDA0002516776700000155
的预测控制包，并发送给局部控制器。
⑧根据(7)，(9)和(10)分别更新各个缓冲器的内容，并提供ul(k)和ur(k)。
⑨根据(10)式选择一个合适的控制量作为真实控制输入。令k＝k+1，并转①；
下面结合仿真实例谈谈具体的实施方式：
考虑一个双容水箱系统，其系统模型(1)可以建模为
Figure BDA0002516776700000161
Figure BDA0002516776700000162
其中，Ts＝5秒为采样时间，A1＝9cm2，A2＝4cm2分别为两个水箱出水管的横截面积，S1＝2500cm2，S2＝1600cm2分别为两个水箱的横截面积，g＝980cm/s2为重力加速度，ρ＝0.001kg/cm3为水的密度。
Figure BDA0002516776700000163
ve＝1.8146V为平稳运行参数。
依据实际物理模型得到系统状态约束集为
Figure BDA0002516776700000164
Figure BDA0002516776700000165
-95≤x2≤95，控制约束集
Figure BDA0002516776700000166
阶段代价和终端代价分别设置为L(x，u)＝xTQx+uTRu，F(x)＝xTPx，
其中x＝[x1 x2]T，
Figure BDA0002516776700000167
R＝0.1，
Figure BDA0002516776700000168
辅助控制律设计为k(x)＝[-0.5218-0.6551]，终端约束集为
Figure BDA0002516776700000169
最大预测时域设置为Nmax＝30。网络的最大连续丢包数可以通过统计得到Ns＝3，Nc＝4，即
Figure BDA00025167767000001610
通过仿真实验表明本发明实施例的网络化双模自适应时域模型预测控制方法能够根据状态自适应地调整预测时域，并且能在状态进入终端约束集
Figure BDA00025167767000001611
时候切换成局部控制器(如图3所示)。与传统的固定时域模型预测控制算法相比，本发明具有更低的计算时间(如图4所示)，从而实现高效的计算过程。
另一方面，本发明实施例公开一种网络化双模自适应时域模型控制系统，基于控制设备，
包括以下单元：
控制模型单元，用于建立具有有界扰动的约束非线性被控对象的控制模型；
网络单元，用于基于控制模型，设计通信网络，并设置网络特性；
远端控制器单元，用于设计远程自适应时域模型预测控制器；
局部控制器单元，用于设计局部控制器，并选择控制输入；
判决器单元，用于设计判决器，用以决定采用局部控制器，还是采用远程自适应时域模型预测控制器；
控制单元，用于针对真实的控制输入量，实现双模自适应时域模型预测控制。
其中，所述远程自适应时域模型预测控制器包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器。
其中，所述局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
综上所述，本发明实施例将优化问题的计算从局部控制器转移到的远端，放宽了对计算资源的需求，使得平均计算时间变小，同时基于序列的传输能够补偿可能的网络丢包问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种网络化双模自适应时域模型控制方法，其特征在于：基于计算机设备，执行以下步骤：
S100、建立具有有界扰动的约束非线性被控对象的控制模型；
S200、基于步骤S100的控制模型，设计通信网络，并设置网络特性；
S300、设计远程自适应时域模型预测控制器；
S400、依据S300确定辅助控制律设计局部控制器，并选择控制输入；
S500、设计判决器，用以决定采用步骤S400的局部控制器，还是采用S300的远程自适应时域模型预测控制器；
S600、针对真实的控制输入量，基于步骤S500实现双模自适应时域模型预测控制。
2.根据权利要求1所述的网络化双模自适应时域模型控制方法，其特征在于：所述步骤S100建立具有有界扰动的约束非线性被控对象的控制模型；其中控制模型为：
x(k+1)＝f(x(k)，u(k)，w(k)) (1)
其中：k是系统运行时刻，k≥0；
Figure FDA0002516776690000011
为k时刻的状态向量；
Figure FDA0002516776690000012
为输入向量；
Figure FDA0002516776690000013
为外界干扰向量；状态，输入及干扰分别满足约束
Figure FDA0002516776690000014
而
Figure FDA0002516776690000015
均为有界闭集且包含原点；f是定义在
Figure FDA0002516776690000016
上的连续函数。
3.根据权利要求2所述的网络化双模自适应时域模型控制方法，其特征在于：所述S200基于步骤S100的控制模型，设计通信网络，并设置网络特性；
其中，控制设备传感器，控制器和执行器之间的数据交互是通过通信网络来实现的；
传输层的协议设置为TCP协议，则网络会回传一个确认信号来告知数据包是否传输成功；数据包未成功传输，则认为发生丢包；
丢包过程建模为
Figure FDA0002516776690000017
Figure FDA0002516776690000018
两个网络即传感器到控制器网络一和控制器到执行器网络二的最大连续丢包数分别为Ns和Nc，并记
Figure FDA0002516776690000021
4.根据权利要求3所述的网络化双模自适应时域模型控制方法，其特征在于：所述S300设计远程自适应时域模型预测控制器；包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器；
具体包括以下步骤：
1)状态估计器用来估计系统当前状态，即
Figure FDA0002516776690000022
其中
Figure FDA0002516776690000023
为k时刻的估计状态，u(k)为k时刻系统的真实输入；
2)模型预测控制器用于求解下面的有限时域最优控制问题：
Figure FDA0002516776690000024
s.t.zi+1＝f(zi，vi，0)
Figure FDA0002516776690000025
Figure FDA0002516776690000026
Figure FDA0002516776690000027
Figure FDA0002516776690000028
其中L(z，v)和F(z)分别为正定的阶段代价和终端代价，ν＝{v0，v1，...，vN(k)}为决策变量；
N(k)为k时刻的预测时域且N(0)＝Nmax，Nmax为事先设定的最大预测时域，
Figure FDA0002516776690000029
为终端状态约束集，并满足如下条件：对于任意
Figure FDA00025167766900000210
存在辅助状态反馈控制律κ(x)：
Figure FDA00025167766900000211
使得
F(f(x，κ(x)，0))-F(x)≤-L(x，κ(x))
并且
Figure FDA00025167766900000212
通过常规的优化求解器求解优化问题(5)，得到最优解记为
Figure FDA0002516776690000031
Figure FDA0002516776690000032
而相对应的预测状态序列记为
Figure FDA0002516776690000033
其中
Figure FDA0002516776690000034
Figure FDA0002516776690000035
3)预测时域估计器的算法步骤如下：
输入为估计状态
Figure FDA0002516776690000036
输出为预测时域N(k)；
①初始化M个最新预测状态和控制序列对BM(k)＝{B(t1)，...，B(tM)}，其中
Figure FDA0002516776690000037
t1，...，tM分别为k时刻之前最后M次执行MPC的时刻，其满足t1＜…＜tM＜k；
②初始化预测时域下界N(k)＝N(tM)-(k-tM)；
③令i＝1，执行④；
④从
Figure FDA0002516776690000038
中选择K个最接近
Figure FDA0002516776690000039
的点，分别记为
Figure FDA00025167766900000310
若
Figure FDA00025167766900000311
的序列长度小于K，则该选中该序列的所有元素；
⑤令j＝1，执行⑥；
⑥判断序列
Figure FDA00025167766900000312
是否是
Figure FDA00025167766900000313
的一个可行序列；若是，则转⑦；否则，转⑧；
⑦令
Figure FDA00025167766900000314
若j≤K，转⑥；否则，转⑨；
⑧令
Figure FDA00025167766900000315
若j≤K，转⑥；否则，转⑨；
⑨令i＝i+1，若i≤M，转④；否则，转⑩；
⑩得到
Figure FDA00025167766900000316
结束；
若当前时刻可用的预测状态和控制序列对少于M，则所有序列对均被使用，且M为所有序列对的数目；
4)设计预测控制包生成器，用以补偿可能的丢包，具体过程如下:
若
Figure FDA0002516776690000041
即当前预测时域大于最大可能连续丢包数，则预测控制包为：
Figure FDA0002516776690000042
否则，先用辅助控制律κ(x)计算剩余
Figure FDA0002516776690000043
个控制量，即
Figure FDA0002516776690000044
然后得到
Figure FDA0002516776690000045
5)设计控制序列的缓冲器，用以存储控制序列
brr(k)＝dc(k)Sbrr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTbrr(k) (7)
其中，dc(k)在(2)式中定义，brr(k)为k时刻缓冲器的内容且brr(0)＝0，上标T表示向量或矩阵的转置，
Figure FDA0002516776690000046
5.根据权利要求4所述的网络化双模自适应时域模型控制方法，其特征在于：所述S400依据S300确定辅助控制律设计局部控制器，并选择控制输入；其中，局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器；
具体步骤如下：
1)控制序列生成器；
采用辅助控制律来获得局部的预测控制序列
Figure FDA0002516776690000047
其中
Figure FDA0002516776690000051
得到的控制序列记为
Figure FDA0002516776690000052
2)缓冲器一；用来存储局部预测控制序列，并提供可供选择的局部控制输入ul(k)；
bll(k)＝(1-dl(k))Sbll(k-1)+dl(k)ul(k)
ul(k)＝eTbll(k) (9)
其中，dl(k)＝1表示采用局部控制器；dl(k)＝0表示当前时刻采用远端控制器；bll(k)表示缓冲器一的在k时刻的内容；
3)缓冲器二；用来存储收到的远端预测控制序列，并提供可供选择的局部控制输入ur(k)；
blr(k)＝dc(k)Sblr(k-1)+(1-dc(k))ur(k)
ur(k)＝eTblr(k) (10)
其中，dc(k)在(2)式中定义，blr(k)为k时刻缓冲器二的内容且blr(0)＝0；
4)选择器；从ul(k)和ur(k)中选择一个合适的控制量作为控制输入；
记tr，c(k)为k时刻或之前最后一次成功收到远程控制包的时刻，记tl(k)为k时刻或之前最后一次选择局部控制器的时刻；
那么真实控制输入u(k)为
Figure FDA0002516776690000053
6.根据权利要求5所述的网络化双模自适应时域模型控制方法，其特征在于：所述S500设计判决器，用以决定采用步骤S400的局部控制器，还是采用S300的远程自适应时域模型预测控制器；
其中判断规则如下：
若
Figure FDA0002516776690000061
则选用局部控制器；否则，选用远程控制器；
Figure FDA0002516776690000062
为终端状态约束集。
7.根据权利要求6所述的网络化双模自适应时域模型控制方法，其特征在于：所述S600针对真实的控制输入量，基于步骤S500实现双模自适应时域模型预测控制；
具体包括：
初始化：设置初始状态为x0，并计算预测时域为Nmax的有限时域最优控制得到预测控制状态序列对
Figure FDA0002516776690000063
并得到控制输入u(0)；设置k＝1；
①获得x(k)，判决器判定
Figure FDA0002516776690000064
是否满足；若满足，转②；否则，转④；
②利用(8)式计算局部预测控制序列；
③分别按照(9)式和(10)式更新缓冲器一和缓冲器二的内容；缓冲器一提供ul(k)作为真实控制输入；令k＝k+1，并转①；
④根据是否发生丢包，利用(4)式得到当前的估计状态
Figure FDA0002516776690000065
⑤利用最新的BM(k)估计得到当前的预测时域N(k)；
⑥以
Figure FDA0002516776690000066
为初始状态，N(k)为预测时域求解有限时域最优控制问题(5)，并得到预测控制状态序列对；
⑦根据(6)得到长度为
Figure FDA0002516776690000067
的预测控制包，并发送给局部控制器；
⑧根据(7)，(9)和(10)分别更新各个缓冲器的内容，并提供ul(k)和ur(k)；
⑨根据(10)式选择控制量作为真实控制输入；令k＝k+1，并转①。
8.一种网络化双模自适应时域模型控制系统，其特征在于：包括控制设备，所述控制设备包括传感器、控制器和执行器，所述传感器，控制器和执行器之间的数据交互是通过通信网络来实现的；
包括以下单元：
控制模型单元，用于建立具有有界扰动的约束非线性被控对象的控制模型；
网络单元，用于基于控制模型，设计通信网络，并设置网络特性；
远端控制器单元，用于设计远程自适应时域模型预测控制器；
局部控制器单元，用于设计局部控制器，并选择控制输入；
判决器单元，用于设计判决器，用以决定采用局部控制器，还是采用远程自适应时域模型预测控制器；
控制单元，用于针对真实的控制输入量，实现双模自适应时域模型预测控制。
9.根据权利要求8所述的网络化双模自适应时域模型控制系统，其特征在于：所述远程自适应时域模型预测控制器包括状态估计器，预测时域估计器，模型预测控制器，控制包生成器以及一个缓冲器。
10.根据权利要求8所述的网络化双模自适应时域模型控制系统，其特征在于：所述局部控制器包括一个控制序列生成器，两个缓冲器和一个选择器。
CN202010479297.XA 2020-05-29 2020-05-29 一种网络化双模自适应时域模型控制方法及系统 Active CN111830826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010479297.XA CN111830826B (zh) 2020-05-29 2020-05-29 一种网络化双模自适应时域模型控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010479297.XA CN111830826B (zh) 2020-05-29 2020-05-29 一种网络化双模自适应时域模型控制方法及系统

Publications (2)

Publication Number Publication Date
CN111830826A true CN111830826A (zh) 2020-10-27
CN111830826B CN111830826B (zh) 2022-09-06

Family

ID=72913910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010479297.XA Active CN111830826B (zh) 2020-05-29 2020-05-29 一种网络化双模自适应时域模型控制方法及系统

Country Status (1)

Country Link
CN (1) CN111830826B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985737A (zh) * 2021-10-27 2022-01-28 湘潭大学 具有时间延迟和数据包丢失的网络化控制系统的研究

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110022193A1 (en) * 2009-07-27 2011-01-27 Siemens Industry, Inc. Method and apparatus of a self-configured, model-based adaptive, predictive controller for multi-zone regulation systems
CN103995539A (zh) * 2014-05-15 2014-08-20 北京航空航天大学 一种无人机自主编队评价指标与mpc编队控制方法
CN205304872U (zh) * 2015-12-30 2016-06-08 上海理工大学 面向远程终端设备的云控制系统
CN106740846A (zh) * 2016-12-02 2017-05-31 大连理工大学 一种双模式切换的电动汽车自适应巡航控制方法
CN106896725A (zh) * 2017-04-11 2017-06-27 重庆邮电大学 聚乙烯质量指标系统的预测控制系统及方法
CN109713726A (zh) * 2019-02-25 2019-05-03 福州大学 用于阻抗源逆变器孤岛和并网双模式运行的自适应模型预测控制方法
CN110687797A (zh) * 2019-11-11 2020-01-14 湖南大学 一种基于位置和姿态的自适应mpc泊车横向控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110022193A1 (en) * 2009-07-27 2011-01-27 Siemens Industry, Inc. Method and apparatus of a self-configured, model-based adaptive, predictive controller for multi-zone regulation systems
CN103995539A (zh) * 2014-05-15 2014-08-20 北京航空航天大学 一种无人机自主编队评价指标与mpc编队控制方法
CN205304872U (zh) * 2015-12-30 2016-06-08 上海理工大学 面向远程终端设备的云控制系统
CN106740846A (zh) * 2016-12-02 2017-05-31 大连理工大学 一种双模式切换的电动汽车自适应巡航控制方法
CN106896725A (zh) * 2017-04-11 2017-06-27 重庆邮电大学 聚乙烯质量指标系统的预测控制系统及方法
CN109713726A (zh) * 2019-02-25 2019-05-03 福州大学 用于阻抗源逆变器孤岛和并网双模式运行的自适应模型预测控制方法
CN110687797A (zh) * 2019-11-11 2020-01-14 湖南大学 一种基于位置和姿态的自适应mpc泊车横向控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985737A (zh) * 2021-10-27 2022-01-28 湘潭大学 具有时间延迟和数据包丢失的网络化控制系统的研究

Also Published As

Publication number Publication date
CN111830826B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
WO2021227508A1 (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
Su et al. Reinforcement learning-based adaptive modulation and coding for efficient underwater communications
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
CN111830826B (zh) 一种网络化双模自适应时域模型控制方法及系统
CN110989614B (zh) 一种基于深度强化学习的车辆边缘计算转移调度方法
CN114285853A (zh) 设备密集型工业物联网中基于端边云协同的任务卸载方法
CN111526036B (zh) 一种短流量实时性优化方法、系统、网络传输终端
Di Cairano et al. Reference governor for network control systems subject to variable time-delay
CN112887272B (zh) 一种传感边缘云任务卸载中挖矿攻击面控制装置及方法
CN111191955B (zh) 基于相依马尔可夫链的电力cps风险区域预测方法
CN111338213B (zh) 一种基于事件触发机制的多水下航行器自适应模糊二部一致控制方法
Zhou et al. Adaptive routing strategy based on improved double Q-learning for satellite Internet of Things
CN112422462B (zh) 复值信道均衡器的设计方法
Acharya et al. Particle swarm optimization exponential constriction factor (PSO-ECF) based channel equalization
Hua et al. $ H_ {\infty} $ Filtering for Discrete-Time Periodic Markov Jump Systems With Quantized Measurements: A New Packet Loss Compensation Strategy
CN115413044A (zh) 一种工业无线网络的计算和通信资源联合分配方法
CN112747742B (zh) 一种基于卡尔曼滤波的终端位置自适应更新方法
CN116007616A (zh) 一种基于网络状态决策的自适应地图构建系统及方法
CN114928826A (zh) 一种软件定义车载任务卸载与资源分配的二阶段优化方法、控制器及决策方法
CN111538583B (zh) 一种移动环境下车联网的低延迟协同任务处理方法及装置
CN114918919A (zh) 一种机器人运动技能学习方法及系统
CN114938512A (zh) 一种宽带容量优化方法及装置
CN111614436B (zh) 一种基于贝叶斯推断的动态数据包打包方法
Ding An approach to design model predictive control for linear systems over networks with double-sided bounded packet loss
CN117270485B (zh) 一种面向工业互联网场景的分布式多机动作协同控制方法

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
GR01 Patent grant
GR01 Patent grant