CN112527016A - 一种智能集群一体化容错时变编队控制方法及系统 - Google Patents

一种智能集群一体化容错时变编队控制方法及系统 Download PDF

Info

Publication number
CN112527016A
CN112527016A CN202011403524.7A CN202011403524A CN112527016A CN 112527016 A CN112527016 A CN 112527016A CN 202011403524 A CN202011403524 A CN 202011403524A CN 112527016 A CN112527016 A CN 112527016A
Authority
CN
China
Prior art keywords
fault
agent
intelligent
matrix
observer
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
CN202011403524.7A
Other languages
English (en)
Other versions
CN112527016B (zh
Inventor
董希旺
刘亦石
任章
李清东
于江龙
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202011403524.7A priority Critical patent/CN112527016B/zh
Publication of CN112527016A publication Critical patent/CN112527016A/zh
Application granted granted Critical
Publication of CN112527016B publication Critical patent/CN112527016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0055—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot with safety arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种智能集群一体化容错时变编队控制方法及系统。该方法包括：构建基于执行器故障的智能体动力学模型；基于所述智能体动力学模型构建去中心化观测器；利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值；基于智能集群的编队可行性分析，确定编队补偿指令；基于智能集群的稳定性分析，确定编队控制律增益参数；基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议；基于重构的编队控制协议对所述智能集群进行时变编队控制。本发明可以实现在执行器故障的情况下完成理想的时变编队飞行。

Description

一种智能集群一体化容错时变编队控制方法及系统
技术领域
本发明涉及智能集群控制领域，特别是涉及一种智能集群一体化容错时变编队控制方法及系统。
背景技术
多智能体系统编队控制是集群智能涌现在运动控制层面的重要技术手段，形成期望的编队构型是实现协同探测、围捕及突防等众多协同任务的基础，在航空航天领域具有广阔的应用前景。面对高动态的任务需求和外部态势，多智能体系统的编队队形往往不是固定不变的，需要形成实时动态调整的编队构型，即时变编队控制。编队控制主要关注的是队形的形成与保持。对于大规模多智能体系统，与传统的集中式控制方法相比，基于局部邻居信息交互的分布式编队控制方法具有更高的计算效率以及更强的灵活性与可扩展性，近年来受到国内外研究者的广泛关注。
现有的编队控制方法一般假设各执行器具有理想的动态特性，没有考虑执行器故障的影响。对于给定的无人机集群，不是所有时变编队都是可以实现的，可行的时变编队应满足无人机的动力学约束。由于执行器未知故障对各无人机的动力学模型存在影响，现有的时变编队跟踪可行性分析以及扩展可行时变编队集合的方法不再有效，这使得具有执行器故障的无人机集群容错时变编队控制的设计问题变得更具有挑战性。虽然一致性控制中存在对执行器故障条件下无人机集群的相关研究，但是时变编队会导致分析与设计过程中出现编队向量的导数项，使得一致性及时不变编队情况下的分析方法难以直接拓展应用。
发明内容
本发明的目的是提供一种智能集群一体化容错时变编队控制方法及系统，以实现在执行器故障时的智能集群编队控制，在执行器故障的情况下完成理想的时变编队飞行。
为实现上述目的，本发明提供了如下方案：
一种智能集群一体化容错时变编队控制方法，其特征在于，包括：
构建基于执行器故障的智能体动力学模型；所述智能体动力学模型中包括执行器的故障信息；
基于所述智能体动力学模型构建去中心化观测器；
利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值；
基于智能集群的编队可行性分析，确定编队补偿指令；
基于智能集群的稳定性分析，确定编队控制律增益参数；
基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议；
基于重构的编队控制协议对所述智能集群进行时变编队控制。
可选的，所述构建基于执行器故障的智能体动力学模型，具体包括：
获取执行器的故障模型；所述执行器的故障模型为：
Figure BDA0002813177450000021
其中，
Figure BDA0002813177450000022
表示第i个智能体的第k个输入的加性故障；lik表示第i个智能体的第k个输入的乘性故障；uik(t)为第i个智能体的第k个输入，ucik(t)表示第i个智能体的第k个控制器输出；
基于所述执行器的故障模型，构建基于所述故障模型的智能体动力学模型；所述智能体动力学模型为：
Figure BDA0002813177450000023
yi(t)＝Cxi(t)；
其中，i表示第i个智能体，i＝1,2,...,N；xi(t)为第i个智能体的状态值，
Figure BDA0002813177450000024
n为状态值的数量；yi(t)为第i个智能体的输出值，
Figure BDA0002813177450000025
m为输出值的数量；ui(t)为第i个智能体的输入值，
Figure BDA0002813177450000026
p为输入值的数量，ui(t)＝{ui1(t),ui2(t),…uip(t)}；di(t)表示第i个智能体外部扰动；Li表示第i个智能体的乘性故障指示矩阵，Li＝diag{li1,li2,...,lip}；
Figure BDA0002813177450000027
表示第i个智能体的加性故障向量，
Figure BDA0002813177450000031
A表示系统矩阵，
Figure BDA0002813177450000032
B表示输入矩阵，
Figure BDA0002813177450000033
C表示输出矩阵，
Figure BDA0002813177450000034
E表示干扰矩阵，
Figure BDA0002813177450000035
可选的，所述基于所述智能体动力学模型构建去中心化观测器，具体包括：
构建去中心化观测器的模型为：
Figure BDA0002813177450000036
Figure BDA0002813177450000037
其中，xoi(t)表示第i个观测器的状态，
Figure BDA0002813177450000038
Figure BDA0002813177450000039
表示观测器得到的第i个智能体的状态估计值，
Figure BDA00028131774500000310
Figure BDA00028131774500000311
为第i个智能体的乘性故障的估计值，
Figure BDA00028131774500000312
Figure BDA00028131774500000313
表示第i个智能体的加性故障的估计值，
Figure BDA00028131774500000314
F、J、K和H为观测器矩阵；
根据公式
Figure BDA00028131774500000315
确定观测器矩阵J、K和H，其中观测器矩阵F为Hurwitz矩阵；In表示单位矩阵；
确定第i个智能体的状态估计误差表达式；第i个智能体的状态估计误差表达式为：
Figure BDA00028131774500000316
其中，eoi(t)表示第i个智能体的状态估计误差；Li(t)为乘性故障；
Figure BDA00028131774500000317
表示加性故障；
确定使得第i个智能体的状态估计误差为零时的故障估计表达式：
Figure BDA00028131774500000318
Figure BDA00028131774500000319
其中，αik和βik为第i个智能体第k个输入的自适应率，αik＞0，βik＞0；Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；
Figure BDA00028131774500000320
为第i个智能体第k个输入的乘性故障估计值，
Figure BDA00028131774500000321
为第i个智能体第k个输入的乘性故障估计值的初始值；
Figure BDA00028131774500000322
为第i个智能体第k个输入的加性故障估计值，
Figure BDA00028131774500000323
表示第i个智能体第k个输入的乘性故障估计值的初始值；τ表示积分变量；
基于故障估计表达式以及观测器矩阵J、K、H和F，确定所述去中心化观测器的模型的具体表达式，得到构建的去中心化观测器。
可选的，所述基于智能集群的编队可行性分析，确定编队补偿指令，具体包括：
确定满足
Figure BDA0002813177450000041
的编队补偿指令；当满足
Figure BDA0002813177450000042
时，编队完成所需时变编队；
其中，vi(t)表示编队补偿指令；hi(t)表示所需时变编队；B表示输入矩阵；
Figure BDA0002813177450000043
为Hurwitz矩阵。
可选的，所述基于智能集群的稳定性分析，确定编队控制律增益参数；
获取Lyapunov函数VI(t)的表达式及一阶导数
Figure BDA00028131774500000413
的表达式；Lyapunov函数表达式为：
Figure BDA0002813177450000044
Lyapunov函数一阶导数表达式为：
Figure BDA0002813177450000045
式中，
Figure BDA00028131774500000412
eo(t)表示智能集群的状态估计误差，
Figure BDA0002813177450000046
ξ(t)表示编队误差函数；N表示智能体的数量；p为每个智能体输入值的数量；
Figure BDA0002813177450000047
lik(t)为第i个智能体第k个输入的乘性故障，
Figure BDA0002813177450000048
为第i个智能体第k个输入的乘性故障估计值；
Figure BDA0002813177450000049
Figure BDA00028131774500000410
为第i个智能体第k个输入的加性故障，
Figure BDA00028131774500000411
为第i个智能体第k个输入的加性故障估计值；αik和βik为第i个智能体第k个输入的自适应率；Φxi(t)＝Kxi(t)-Kxi(0)，Φfi(t)＝Kfi(t)-Kfi(0)，Φdi(t)＝Kdi(t)-Kdi(0)，Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为控制律增益参数，Kxi(0)、Kfi(0)和Kdi(0)为控制律增益参数初值；Γxi、Γei、Γfi和Γdi表示任意给定对称正定矩阵
Figure BDA0002813177450000051
Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；IN表示N阶单位矩阵；J为观测器矩阵；B表示输入矩阵；u(t)为智能集群的输入值；
Figure BDA0002813177450000052
表示控制部分的Lyapunov函数；L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵；
Figure BDA0002813177450000053
Figure BDA0002813177450000054
为第i个智能体的乘性故障的估计值；
求解使得Lyapunov函数VI(t)大于0且一阶导数
Figure BDA0002813177450000055
小于0的控制律增益参数Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)，得到编队控制律增益参数。
可选的，所述基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议，具体包括：
利用公式
Figure BDA0002813177450000056
重构编队控制协议；其中，ui(t)为第i个智能体的输入值；vi(t)表示编队补偿指令；xi(t)为第i个智能体的状态值；Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为编队控制律增益参数；B表示输入矩阵；ei(t)表示各智能体之间的状态误差；
Figure BDA0002813177450000057
In表示单位矩阵，L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵。
本发明还提供一种智能集群一体化容错时变编队控制系统，包括：
智能体动力学模型构建模块，用于构建基于执行器故障的智能体动力学模型；所述智能体动力学模型中包括执行器的故障信息；
去中心化观测器构建模块，用于基于所述智能体动力学模型构建去中心化观测器；
去中心化观测器观测模块，用于利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值；
编队补偿指令确定模块，用于基于智能集群的编队可行性分析，确定编队补偿指令；
编队控制律增益参数确定模块，用于基于智能集群的稳定性分析，确定编队控制律增益参数；
编队控制协议重构模块，用于基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议；
时变编队控制模块，用于基于重构的编队控制协议对所述智能集群进行时变编队控制。
可选的，所述智能体动力学模型构建模块，具体包括：
故障模型获取单元，用于获取执行器的故障模型；所述执行器的故障模型为：
Figure BDA0002813177450000061
其中，
Figure BDA0002813177450000062
表示第i个智能体的第k个输入的加性故障；lik表示第i个智能体的第k个输入的乘性故障；uik(t)为第i个智能体的第k个输入，ucik(t)表示第i个智能体的第k个控制器输出；
智能体动力学模型构建单元，用于基于所述执行器的故障模型，构建基于所述故障模型的智能体动力学模型；所述智能体动力学模型为：
Figure BDA0002813177450000063
yi(t)＝Cxi(t)；
其中，i表示第i个智能体，i＝1,2,...,N；xi(t)为第i个智能体的状态值，
Figure BDA0002813177450000064
n为状态值的数量；yi(t)为第i个智能体的输出值，
Figure BDA0002813177450000065
m为输出值的数量；ui(t)为第i个智能体的输入值，
Figure BDA0002813177450000066
p为输入值的数量，ui(t)＝{ui1(t),ui2(t),…uip(t)}；di(t)表示第i个智能体外部扰动；Li表示第i个智能体的乘性故障指示矩阵，Li＝diag{li1,li2,...,lip}；
Figure BDA0002813177450000067
表示第i个智能体的加性故障向量，
Figure BDA0002813177450000068
A表示系统矩阵，
Figure BDA0002813177450000069
B表示输入矩阵，
Figure BDA00028131774500000610
C表示输出矩阵，
Figure BDA00028131774500000611
E表示干扰矩阵，
Figure BDA00028131774500000612
可选的，所述去中心化观测器构建模块，具体包括：
去中心化观测器的模型构建单元，用于构建去中心化观测器的模型为：
Figure BDA00028131774500000613
Figure BDA00028131774500000614
其中，xoi(t)表示第i个观测器的状态，
Figure BDA00028131774500000615
Figure BDA00028131774500000616
表示观测器得到的第i个智能体的状态估计值，
Figure BDA0002813177450000071
Figure BDA0002813177450000072
为第i个智能体的乘性故障的估计值，
Figure BDA0002813177450000073
Figure BDA0002813177450000074
表示第i个智能体的加性故障的估计值，
Figure BDA0002813177450000075
F、J、K和H为观测器矩阵；
观测器矩阵确定单元，用于根据公式
Figure BDA0002813177450000076
确定观测器矩阵J、K和H，其中观测器矩阵F为Hurwitz矩阵；In表示单位矩阵；
状态估计误差表达式确定单元，用于确定第i个智能体的状态估计误差表达式；第i个智能体的状态估计误差表达式为：
Figure BDA0002813177450000077
其中，eoi(t)表示第i个智能体的状态估计误差；Li(t)为乘性故障；
Figure BDA0002813177450000078
表示加性故障；
故障估计表达式确定单元，用于确定使得第i个智能体的状态估计误差为零时的故障估计表达式：
Figure BDA0002813177450000079
Figure BDA00028131774500000710
其中，αik和βik为第i个智能体第k个输入的自适应率，αik＞0，βik＞0；Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；
Figure BDA00028131774500000711
为第i个智能体第k个输入的乘性故障估计值，
Figure BDA00028131774500000712
为第i个智能体第k个输入的乘性故障估计值的初始值；
Figure BDA00028131774500000713
为第i个智能体第k个输入的加性故障估计值，
Figure BDA00028131774500000714
表示第i个智能体第k个输入的乘性故障估计值的初始值；τ表示积分变量；
去中心化观测器确定单元，用于基于故障估计表达式以及观测器矩阵J、K、H和F，确定所述去中心化观测器的模型的具体表达式，得到构建的去中心化观测器。
可选的，所述编队控制协议重构模块，具体包括：
编队控制协议重构单元，用于利用公式
Figure BDA0002813177450000081
重构编队控制协议；其中，ui(t)为第i个智能体的输入值；vi(t)表示编队补偿指令；xi(t)为第i个智能体的状态值；Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为编队控制律增益参数；B表示输入矩阵；ei(t)表示各智能体之间的状态误差；
Figure BDA0002813177450000082
In表示单位矩阵，L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明解决了无人机集群个体执行器故障的去中心化检测与诊断问题。针对无人机集群中的个体执行器故障，设计去中心化的多模型自适应故障诊断算法，只需要利用故障个体的控制输入和系统输出进行故障诊断，不需要系统中其他个体提供自身信息，在实际应用环境中减少了对通信的需求。去中心化的故障诊断模块还可以提供故障参数的具体自适应估计值，用于提高分布式重构控制协议的控制性能。
(2)本发明解决了无人机集群存在个体执行器故障的编队控制问题。无人机集群个体之间存在复杂的状态耦合，当一架无人机发生故障并且状态发生改变的时候，它的故障就会通过状态耦合传递给其邻居，甚至明显地影响整个系统的性能。容错控制就是通过补偿系统故障进而避免对系统造成严重后果的控制方法。由于容错控制设计时留给系统进行故障诊断及系统调整的时间是有限的，这给无人机集群容错时变编队控制设计带来了很大的挑战。对于执行器故障，它改变系统模型，与单系统相比最大的区别在于无人机不仅受到自身故障的影响还可能受到邻居故障的影响。本专利设计的容错控制算法可以处理未知的故障情况，并且在不同的系统模式下可以获得良好的性能。
(3)本发明解决了故障诊断与重构控制存在内在互扰的容错编队控制问题。现有容错方法往往将故障诊断与重构控制视为两个独立的部分而分开设计，这样做的缺点是各自设计过程中没有充分考虑到两者之间的耦合现象，独立设计的两个模块即使都稳定，但设计出来的合成容错系统也可能是不稳定的。因此，本发明将故障值的实时信息加入到重构控制协议，通过分析总体系统的稳定性得到控制协议的自适应表达式，从而提升总体系统的控制性能，使多智能体系统即使存在执行器故障，也能够完成理想的编队队形。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明智能集群一体化容错时变编队控制方法的流程示意图；
图2为本发明智能集群一体化容错时变编队控制方法构成的系统框架图；
图3为本发明方法使用的多智能体系统内部拓扑结构；
图4为本发明智能集群一体化容错时变编队控制系统的结构示意图；
图5为本发明应用在执行器卡死故障的编队示意图；
图6为本发明应用在执行器卡死故障的编队误差示意图；
图7为本发明应用在执行器卡死故障的智能体控制输入示意图；
图8为本发明应用在执行器效率降低故障的编队示意图；
图9为本发明应用在执行器效率降低故障的编队误差示意图；
图10为本发明应用在执行器效率降低故障的智能体控制输入示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种融合去中心化故障诊断、分布式时变编队控制与一体化容错控制的多智能体诊断重构一体化容错飞行控制方法。首先对多智能体编队中的单个智能体进行故障模式分类以及建模，提出基于去中心化的故障检测与诊断方法，为多智能体编队控制系统安全提供基础。然后利用多模型结构与自适应技术，针对多智能体系统可能发生的执行器故障进行故障诊断，给出检测隔离结果以及实时的故障值估计。将实时故障信息与智能体间局部误差信息加入重构控制协议，通过分析总体系统稳定性，给出控制协议增益的具体表达式，可以解决复杂实际应用环境中系统全局总体信息不易获取的问题，同时也可以解决去中心化故障诊断模块与分布式重构控制协议之间的耦合问题，提升多智能体系统在遭遇故障时的编队控制性能。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的原理是：首先建立多智能体系统动力学和运动学模型，分析可能发生的执行器故障并建模。然后针对每个执行器个体，设计一组自适应观测器进行去中心化故障检测与诊断，并提供实时的故障信息。分析编队可行性条件，进而利用故障信息与各智能体之间的状态误差构造重构控制协议。最后通过稳定性分析，求得重构控制增益的自适应表达形式，实现理想编队。
图1为本发明智能集群一体化容错时变编队控制方法的流程示意图，图2为本发明智能集群一体化容错时变编队控制方法构成的系统框架图，结合图1和图2所示，本发明智能集群一体化容错时变编队控制方法包括以下步骤：
步骤100：构建基于执行器故障的智能体动力学模型。智能体动力学模型中包括执行器的故障信息。首先针对多智能体系统执行器故障的故障模式进行分析，建立故障模型；然后建立多智能体系统的动力学与运动学模型。
因此，广义的执行器故障模型表达式为：
Figure BDA0002813177450000101
其中，
Figure BDA0002813177450000102
表示第i个智能体的第k个输入的加性故障；lik表示第i个智能体的第k个输入的乘性故障；uik(t)为第i个智能体的第k个输入，ucik(t)表示第i个智能体的第k个控制器输出。
结合执行器故障模型可以得到第i个智能体的动力学模型为：
Figure BDA0002813177450000103
Figure BDA0002813177450000104
其中，i＝1,2,...,N；
Figure BDA0002813177450000105
分别表示第i个智能体的状态值、输出值和输入值，di(t)表示外部扰动，Li＝diag{li1,li2,...,lip}表示第i个智能体的故障指示矩阵，lij表示第i个智能体第j个乘性故障；
Figure BDA0002813177450000111
表示加性故障向量，
Figure BDA0002813177450000112
表示第i个智能体第j个加性故障。
Figure BDA0002813177450000113
表示系统矩阵，
Figure BDA0002813177450000114
表示输入矩阵，
Figure BDA0002813177450000115
表示输出矩阵，
Figure BDA0002813177450000116
表示干扰矩阵。
步骤200：基于智能体动力学模型构建去中心化观测器。针对多智能体系统中第i个智能体，设计去中心化观测器为：
Figure BDA0002813177450000117
Figure BDA0002813177450000118
其中，
Figure BDA0002813177450000119
表示第i个观测器的状态，
Figure BDA00028131774500001110
表示观测器给出第i个智能体的状态估计值，
Figure BDA00028131774500001111
和
Figure BDA00028131774500001112
分别表示故障信息的估计值，F、J、K、H表示所需设计的观测器矩阵。
设计F为Hurwitz矩阵，并且满足
A-HCA-K1C＝F
(A-HCA-K1C)H＝K2
(In-HC)E＝0
In-HC＝J
进而确定观测器矩阵F、J、K和H。
定义第i个智能体状态值和第i个观测器给出的估计状态值的差值为
Figure BDA00028131774500001113
其对于时间的微分可以表示为
Figure BDA00028131774500001114
基于观测器矩阵F、J、K和H之间满足的关系，状态估计误差可以重新写为：
Figure BDA00028131774500001115
设计去中心化观测器时，需要使得状态估计误差为0，则基于状态估计误差表达式，可以确定故障估计的表达式为：
Figure BDA0002813177450000121
Figure BDA0002813177450000122
其中，αik＞0，βik＞0为自适应率，可以调节并影响自适应估计的收敛速率；eoi(t)是第i个智能体的状态估计误差；Po为对称正定矩阵，是以下Lyapunov矩阵方程的唯一解：
FTPo+PoF＝-Qo
Qo为任意给定对称正定矩阵。
Figure BDA0002813177450000123
和
Figure BDA0002813177450000124
表示故障估计值的初始值。
将确定的故障估计表达式以及观测器矩阵J、K、H和F代入去中心化观测器，可以确定去中心化观测器的模型的具体表达式，得到设计好的去中心化观测器。
步骤300：利用去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值。对于每个智能体，进行故障检测时，需要根据去中心化观测器得到的估计值利用
Figure BDA0002813177450000128
计算观测器误差，当观测器误差趋于零(或小于给定门限)时，则说明第i个智能体发生了观测器描述的故障，然后利用去中心化观测器进一步估计得到故障估计值；若未发生故障，则无需后续的编队协议重构。
在得到每个智能体的状态估计值和故障信息估计值之后，需要对编队的控制协议进行重构。首先，智能体间局部误差表示为：
Figure BDA0002813177450000125
其中，aij表示多智能体系统伴随矩阵的元素，hi(t)表示理想的时变队形，Nj表示邻居智能体集合。
将原系统改写为虚拟乘性故障形式：
Figure BDA0002813177450000126
其中，
Figure BDA0002813177450000127
In表示单位矩阵。
设计如下编队重构控制协议：
Figure BDA0002813177450000131
其中，Kxi、Kei、Kfi、Kdi为待求的控制律增益，vi表示编队补偿指令。
考虑上述控制协议，多智能体系统可以重新改写为：
Figure BDA0002813177450000132
其中，
Figure BDA0002813177450000133
表示智能体的状态矩阵，为Hurwitz矩阵，Φxi(t)＝Kxi(t)-Kxi(0)，Φfi(t)＝Kfi(t)-Kfi(0)，Φdi(t)＝Kdi(t)-Kdi(0)。
进一步，令
Figure BDA0002813177450000134
Figure BDA0002813177450000135
Figure BDA0002813177450000136
Figure BDA0002813177450000137
Figure BDA0002813177450000138
Φx(t)＝diag{Φx1(t),Φx2(t),...,ΦxN(t)}
Ke(t)＝diag{Ke1(t),Ke2(t),...,KeN(t)}
Φf(t)＝diag{Φf1(t),Φf2(t),...,ΦfN(t)}
Φd(t)＝diag{Φd1(t),Φd2(t),...,ΦdN(t)}
多智能体系统可以写为如下紧凑形式：
Figure BDA0002813177450000139
下面通过确定编队补偿指令和求解编队控制律增益参数，进而确定重构后的编队控制协议。
步骤400：基于智能集群的编队可行性分析，确定编队补偿指令。对进行编队可行性分析，定义满足如下情况，则称编队完成了所需时变编队：
Figure BDA00028131774500001310
其中，χ(t)表示编队参考函数。
对所需时变编队hi(t)，若满足
Figure BDA0002813177450000141
则称目标编队理论上可以实现。因此，根据
Figure BDA0002813177450000142
求解得到满足编队可行性的编队补偿指令vi(t)。
步骤500：基于智能集群的稳定性分析，确定编队控制律增益参数。通过稳定性分析，给出编队控制律增益参数Kxi、Kei、Kfi、Kdi的求解表达式，并控制总体系统在故障情况下，实现理想的时变编队。
定义Lyapunov函数为：
Figure BDA0002813177450000143
其中
Figure BDA0002813177450000144
Lyapunov函数的一阶导数可以写为：
Figure BDA0002813177450000145
则控制增益的自适应表达式表示为：
Figure BDA0002813177450000146
Figure BDA0002813177450000147
Figure BDA0002813177450000148
Figure BDA0002813177450000149
其中，
Figure BDA00028131774500001410
表示智能体之间的状态误差，Γxi、Γei、Γfi、Γdi表示任意给定对称正定矩阵，Pc为对称正定矩阵，是
Figure BDA00028131774500001411
的唯一解，Qc表示任意正定对称矩阵。
将增益表达式代入Lyapunov函数的一阶导数表达式中，可以得到
Figure BDA0002813177450000151
通过稳定性分析可以证明，此时设计的重构控制协议可以使多智能体系统完成理想编队。
其中，各个参数满足：
Figure BDA0002813177450000152
Figure BDA0002813177450000153
L＝diag{L1,L2,...,LN}
Figure BDA0002813177450000154
Figure BDA0002813177450000155
Figure BDA0002813177450000156
则多智能体观测器误差可以写为以下紧凑形式
Figure BDA0002813177450000157
其中，In表示单位矩阵；bk表示B第k列，
Figure BDA0002813177450000158
步骤600：基于故障信息估计值、编队补偿指令和编队控制率增益参数重构编队控制协议。
步骤700：基于重构的编队控制协议对智能集群进行时变编队控制。智能集群的拓扑结构如图3所示，图3所示意的智能集群中包括智能体1、智能体2、智能体3、智能体4、智能体5和智能体6共6个智能体。
基于上述的智能集群一体化容错时变编队控制方法，本发明还提供一种智能集群一体化容错时变编队控制系统，图4为本发明智能集群一体化容错时变编队控制系统的结构示意图。如图4所示，本发明智能集群一体化容错时变编队控制系统包括以下结构：
智能体动力学模型构建模块401，用于构建基于执行器故障的智能体动力学模型；所述智能体动力学模型中包括执行器的故障信息。
去中心化观测器构建模块402，用于基于所述智能体动力学模型构建去中心化观测器。
去中心化观测器观测模块403，用于利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值。
编队补偿指令确定模块404，用于基于智能集群的编队可行性分析，确定编队补偿指令。
编队控制律增益参数确定模块405，用于基于智能集群的稳定性分析，确定编队控制律增益参数。
编队控制协议重构模块406，用于基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议。
时变编队控制模块407，用于基于重构的编队控制协议对所述智能集群进行时变编队控制。
作为具体实施例，本发明智能集群一体化容错时变编队控制系统中，所述智能体动力学模型构建模块401，具体包括：
故障模型获取单元，用于获取执行器的故障模型；所述执行器的故障模型为：
Figure BDA0002813177450000161
智能体动力学模型构建单元，用于基于所述执行器的故障模型，构建基于所述故障模型的智能体动力学模型；所述智能体动力学模型为：
Figure BDA0002813177450000162
yi(t)＝Cxi(t)。
作为具体实施例，本发明智能集群一体化容错时变编队控制系统中，所述去中心化观测器构建模块402，具体包括：
去中心化观测器的模型构建单元，用于构建去中心化观测器的模型为：
Figure BDA0002813177450000171
Figure BDA0002813177450000172
观测器矩阵确定单元，用于根据公式
Figure BDA0002813177450000173
确定观测器矩阵J、K和H，其中观测器矩阵F为Hurwitz矩阵；In表示单位矩阵；
状态估计误差表达式确定单元，用于确定第i个智能体的状态估计误差表达式；第i个智能体的状态估计误差表达式为：
Figure BDA0002813177450000174
故障估计表达式确定单元，用于确定使得第i个智能体的状态估计误差为零时的故障估计表达式：
Figure BDA0002813177450000175
Figure BDA0002813177450000176
去中心化观测器确定单元，用于基于故障估计表达式以及观测器矩阵J、K、H和F，确定所述去中心化观测器的模型的具体表达式，得到构建的去中心化观测器。
作为具体实施例，本发明智能集群一体化容错时变编队控制系统中，所述编队控制协议重构模块406，具体包括：
编队控制协议重构单元，用于利用公式
Figure BDA0002813177450000177
重构编队控制协议。
下面提供具体的仿真实例进一步说明本发明的方案。仿真分析如下：
对于LIP故障，假设第1个智能体的第1个控制输入u11从20s开始卡死在1，即l11＝0，
Figure BDA0002813177450000178
图5给出了不同多智能体之间的编队快照，其中，(a)部分为t＝0s的编队，(b)部分为t＝15s的编队，(c)部分为t＝20s的编队，(d)部分为t＝30s的编队，(e)部分为t＝40s的编队，(f)部分为t＝50s的编队。图5中(a)部分显示六个智能体的初始状态值，图5中(b)部分可以看出系统在15s左右完成了编队。由于20s时注入故障，因此图5中(c)部分中编队队形发生了改变，由于使用了设计的重构控制协议，原系统可以恢复理想编队，如图5中(d)部分、(e)部分和(f)部分所示。图6给出了编队误差，可以看出，注入故障前编队误差趋于零，即形成了理想编队。注入故障时由于故障的干扰，误差会突然增高；之后在设计的重构策略下又趋于零，即形成编队。图7显示第1个智能体的控制输入，可以看到u11卡死在1上。
对于LOE故障，假设第1个智能体的第1个控制输入u11从20s开始效率降低50％，即l11＝0.5，
Figure BDA0002813177450000181
图8给出了不同多智能体之间的编队快照，其中，(a)部分为t＝0s的编队，(b)部分为t＝15s的编队，(c)部分为t＝20s的编队，(d)部分为t＝30s的编队，(e)部分为t＝40s的编队，(f)部分为t＝50s的编队。图8中(a)部分显示六个智能体的初始状态值，图8中(b)部分可以看出系统在15s左右完成了编队。由于20s时注入故障，因此图8中(c)部分的编队队形发生了改变，由于使用了设计的重构控制协议，原系统可以恢复理想编队，如图8中(d)部分、(e)部分、(f)部分所示。图9给出了编队误差，可以看出，注入故障前编队误差趋于零，即形成了理想编队。注入故障时由于故障的干扰，误差会突然增高，但是增高量不如LIP故障，说明LIP故障比LOE故障的影响大；之后在设计的重构策略下又趋于零，即形成编队。图10显示第1个智能体的控制输入，可以看到u11相比u12降低50％。
关于本说明书中涉及的参数表示，同一个字母带有(t)与不带(t)表示的是同一个参数，例如xi(t)与xi是同一个参数，
Figure BDA0002813177450000182
与
Figure BDA0002813177450000183
是同一个参数等等。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种智能集群一体化容错时变编队控制方法，其特征在于，包括：
构建基于执行器故障的智能体动力学模型；所述智能体动力学模型中包括执行器的故障信息；
基于所述智能体动力学模型构建去中心化观测器；
利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值；
基于智能集群的编队可行性分析，确定编队补偿指令；
基于智能集群的稳定性分析，确定编队控制律增益参数；
基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议；
基于重构的编队控制协议对所述智能集群进行时变编队控制。
2.根据权利要求1所述的智能集群一体化容错时变编队控制方法，其特征在于，所述构建基于执行器故障的智能体动力学模型，具体包括：
获取执行器的故障模型；所述执行器的故障模型为：
Figure FDA0002813177440000011
其中，
Figure FDA0002813177440000012
表示第i个智能体的第k个输入的加性故障；lik表示第i个智能体的第k个输入的乘性故障；uik(t)为第i个智能体的第k个输入，ucik(t)表示第i个智能体的第k个控制器输出；
基于所述执行器的故障模型，构建基于所述故障模型的智能体动力学模型；所述智能体动力学模型为：
Figure FDA0002813177440000013
yi(t)＝Cxi(t)；
其中，i表示第i个智能体，i＝1,2,...,N；xi(t)为第i个智能体的状态值，
Figure FDA0002813177440000014
n为状态值的数量；yi(t)为第i个智能体的输出值，
Figure FDA0002813177440000015
m为输出值的数量；ui(t)为第i个智能体的输入值，
Figure FDA0002813177440000016
p为输入值的数量，ui(t)＝{ui1(t),ui2(t),…uip(t)}；di(t)表示第i个智能体外部扰动；Li表示第i个智能体的乘性故障指示矩阵，Li＝diag{li1,li2,...,lip}；
Figure FDA0002813177440000021
表示第i个智能体的加性故障向量，
Figure FDA0002813177440000022
A表示系统矩阵，
Figure FDA0002813177440000023
B表示输入矩阵，
Figure FDA0002813177440000024
C表示输出矩阵，
Figure FDA0002813177440000025
E表示干扰矩阵，
Figure FDA0002813177440000026
3.根据权利要求2所述的智能集群一体化容错时变编队控制方法，其特征在于，所述基于所述智能体动力学模型构建去中心化观测器，具体包括：
构建去中心化观测器的模型为：
Figure FDA0002813177440000027
Figure FDA0002813177440000028
其中，xoi(t)表示第i个观测器的状态，
Figure FDA0002813177440000029
Figure FDA00028131774400000210
表示观测器得到的第i个智能体的状态估计值，
Figure FDA00028131774400000211
Figure FDA00028131774400000212
为第i个智能体的乘性故障的估计值，
Figure FDA00028131774400000213
Figure FDA00028131774400000214
表示第i个智能体的加性故障的估计值，
Figure FDA00028131774400000215
F、J、K和H为观测器矩阵；
根据公式
Figure FDA00028131774400000216
确定观测器矩阵J、K和H，其中观测器矩阵F为Hurwitz矩阵；In表示单位矩阵；
确定第i个智能体的状态估计误差表达式；第i个智能体的状态估计误差表达式为：
Figure FDA00028131774400000217
其中，eoi(t)表示第i个智能体的状态估计误差；Li(t)为乘性故障；
Figure FDA00028131774400000218
表示加性故障；
确定使得第i个智能体的状态估计误差为零时的故障估计表达式：
Figure FDA00028131774400000219
Figure FDA00028131774400000220
其中，αik和βik为第i个智能体第k个输入的自适应率，αik＞0，βik＞0；Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；
Figure FDA00028131774400000221
为第i个智能体第k个输入的乘性故障估计值，
Figure FDA00028131774400000222
为第i个智能体第k个输入的乘性故障估计值的初始值；
Figure FDA00028131774400000223
为第i个智能体第k个输入的加性故障估计值，
Figure FDA0002813177440000031
表示第i个智能体第k个输入的乘性故障估计值的初始值；τ表示积分变量；
基于故障估计表达式以及观测器矩阵J、K、H和F，确定所述去中心化观测器的模型的具体表达式，得到构建的去中心化观测器。
4.根据权利要求3所述的智能集群一体化容错时变编队控制方法，其特征在于，所述基于智能集群的编队可行性分析，确定编队补偿指令，具体包括：
确定满足
Figure FDA0002813177440000032
的编队补偿指令；当满足
Figure FDA0002813177440000033
时，编队完成所需时变编队；
其中，vi(t)表示编队补偿指令；hi(t)表示所需时变编队；B表示输入矩阵；
Figure FDA0002813177440000034
为Hurwitz矩阵。
5.根据权利要求1所述的智能集群一体化容错时变编队控制方法，其特征在于，所述基于智能集群的稳定性分析，确定编队控制律增益参数；
获取Lyapunov函数VI(t)的表达式及一阶导数
Figure FDA0002813177440000035
的表达式；Lyapunov函数表达式为：
Figure FDA0002813177440000036
Lyapunov函数一阶导数表达式为：
Figure FDA0002813177440000037
式中，
Figure FDA0002813177440000038
eo(t)表示智能集群的状态估计误差，
Figure FDA0002813177440000039
ξ(t)表示编队误差函数；N表示智能体的数量；p为每个智能体输入值的数量；
Figure FDA00028131774400000310
lik(t)为第i个智能体第k个输入的乘性故障，
Figure FDA00028131774400000311
为第i个智能体第k个输入的乘性故障估计值；
Figure FDA00028131774400000312
Figure FDA00028131774400000313
为第i个智能体第k个输入的加性故障，
Figure FDA00028131774400000314
为第i个智能体第k个输入的加性故障估计值；αik和βik为第i个智能体第k个输入的自适应率；Φxi(t)＝Kxi(t)-Kxi(0)，Φfi(t)＝Kfi(t)-Kfi(0)，Φdi(t)＝Kdi(t)-Kdi(0)，Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为控制律增益参数，Kxi(0)、Kfi(0)和Kdi(0)为控制律增益参数初值；Γxi、Γei、Γfi和Γdi表示任意给定对称正定矩阵
Figure FDA0002813177440000041
Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；IN表示N阶单位矩阵；J为观测器矩阵；B表示输入矩阵；u(t)为智能集群的输入值；
Figure FDA0002813177440000042
表示控制部分的Lyapunov函数；L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵；
Figure FDA0002813177440000043
Figure FDA0002813177440000044
为第i个智能体的乘性故障的估计值；
求解使得Lyapunov函数VI(t)大于0且一阶导数
Figure FDA0002813177440000045
小于0的控制律增益参数Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)，得到编队控制律增益参数。
6.根据权利要求1所述的智能集群一体化容错时变编队控制方法，其特征在于，所述基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议，具体包括：
利用公式
Figure FDA0002813177440000046
重构编队控制协议；其中，ui(t)为第i个智能体的输入值；vi(t)表示编队补偿指令；xi(t)为第i个智能体的状态值；Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为编队控制律增益参数；B表示输入矩阵；ei(t)表示各智能体间的状态误差；
Figure FDA0002813177440000047
In表示单位矩阵，L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵。
7.一种智能集群一体化容错时变编队控制系统，其特征在于，包括：
智能体动力学模型构建模块，用于构建基于执行器故障的智能体动力学模型；所述智能体动力学模型中包括执行器的故障信息；
去中心化观测器构建模块，用于基于所述智能体动力学模型构建去中心化观测器；
去中心化观测器观测模块，用于利用所述去中心化观测器对每个智能体的状态和故障信息进行估计，得到每个智能体的状态估计值和故障信息估计值；
编队补偿指令确定模块，用于基于智能集群的编队可行性分析，确定编队补偿指令；
编队控制律增益参数确定模块，用于基于智能集群的稳定性分析，确定编队控制律增益参数；
编队控制协议重构模块，用于基于所述故障信息估计值、所述编队补偿指令和所述编队控制率增益参数重构编队控制协议；
时变编队控制模块，用于基于重构的编队控制协议对所述智能集群进行时变编队控制。
8.根据权利要求7所述的智能集群一体化容错时变编队控制系统，其特征在于，所述智能体动力学模型构建模块，具体包括：
故障模型获取单元，用于获取执行器的故障模型；所述执行器的故障模型为：
Figure FDA0002813177440000051
其中，
Figure FDA0002813177440000052
表示第i个智能体的第k个输入的加性故障；lik表示第i个智能体的第k个输入的乘性故障；uik(t)为第i个智能体的第k个输入，ucik(t)表示第i个智能体的第k个控制器输出；
智能体动力学模型构建单元，用于基于所述执行器的故障模型，构建基于所述故障模型的智能体动力学模型；所述智能体动力学模型为：
Figure FDA0002813177440000053
yi(t)＝Cxi(t)；
其中，i表示第i个智能体，i＝1,2,...,N；xi(t)为第i个智能体的状态值，
Figure FDA0002813177440000054
n为状态值的数量；yi(t)为第i个智能体的输出值，
Figure FDA0002813177440000055
m为输出值的数量；ui(t)为第i个智能体的输入值，
Figure FDA0002813177440000056
p为输入值的数量，ui(t)＝{ui1(t),ui2(t),…uip(t)}；di(t)表示第i个智能体外部扰动；Li表示第i个智能体的乘性故障指示矩阵，Li＝diag{li1,li2,...,lip}；
Figure FDA0002813177440000057
表示第i个智能体的加性故障向量，
Figure FDA0002813177440000058
A表示系统矩阵，
Figure FDA0002813177440000059
B表示输入矩阵，
Figure FDA00028131774400000510
C表示输出矩阵，
Figure FDA00028131774400000511
E表示干扰矩阵，
Figure FDA00028131774400000512
9.根据权利要求8所述的智能集群一体化容错时变编队控制系统，其特征在于，所述去中心化观测器构建模块，具体包括：
去中心化观测器的模型构建单元，用于构建去中心化观测器的模型为：
Figure FDA0002813177440000061
Figure FDA0002813177440000062
其中，xoi(t)表示第i个观测器的状态，
Figure FDA0002813177440000063
Figure FDA0002813177440000064
表示观测器得到的第i个智能体的状态估计值，
Figure FDA0002813177440000065
Figure FDA0002813177440000066
为第i个智能体的乘性故障的估计值，
Figure FDA0002813177440000067
Figure FDA0002813177440000068
表示第i个智能体的加性故障的估计值，
Figure FDA0002813177440000069
F、J、K和H为观测器矩阵；
观测器矩阵确定单元，用于根据公式
Figure FDA00028131774400000610
确定观测器矩阵J、K和H，其中观测器矩阵F为Hurwitz矩阵；In表示单位矩阵；
状态估计误差表达式确定单元，用于确定第i个智能体的状态估计误差表达式；第i个智能体的状态估计误差表达式为：
Figure FDA00028131774400000611
其中，eoi(t)表示第i个智能体的状态估计误差；Li(t)为乘性故障；
Figure FDA00028131774400000612
表示加性故障；
故障估计表达式确定单元，用于确定使得第i个智能体的状态估计误差为零时的故障估计表达式：
Figure FDA00028131774400000613
Figure FDA00028131774400000614
其中，αik和βik为第i个智能体第k个输入的自适应率，αik＞0，βik＞0；Po为对称正定矩阵，满足FTPo+PoF＝-Qo，Qo为任意给定对称正定矩阵；
Figure FDA00028131774400000615
为第i个智能体第k个输入的乘性故障估计值，
Figure FDA00028131774400000616
为第i个智能体第k个输入的乘性故障估计值的初始值；
Figure FDA00028131774400000617
为第i个智能体第k个输入的加性故障估计值，
Figure FDA00028131774400000618
表示第i个智能体第k个输入的乘性故障估计值的初始值；τ表示积分变量；
去中心化观测器确定单元，用于基于故障估计表达式以及观测器矩阵J、K、H和F，确定所述去中心化观测器的模型的具体表达式，得到构建的去中心化观测器。
10.根据权利要求7所述的智能集群一体化容错时变编队控制系统，其特征在于，所述编队控制协议重构模块，具体包括：
编队控制协议重构单元，用于利用公式
Figure FDA0002813177440000071
重构编队控制协议；其中，ui(t)为第i个智能体的输入值；vi(t)表示编队补偿指令；xi(t)为第i个智能体的状态值；Kxi(t)、Kei(t)、Kfi(t)和Kdi(t)为编队控制律增益参数；B表示输入矩阵；ei(t)表示各智能体间的状态误差；
Figure FDA0002813177440000072
In表示单位矩阵，L＝diag{L1,L2,...,LN}，Li表示第i个智能体的乘性故障指示矩阵。
CN202011403524.7A 2020-12-02 2020-12-02 一种智能集群一体化容错时变编队控制方法及系统 Active CN112527016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011403524.7A CN112527016B (zh) 2020-12-02 2020-12-02 一种智能集群一体化容错时变编队控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011403524.7A CN112527016B (zh) 2020-12-02 2020-12-02 一种智能集群一体化容错时变编队控制方法及系统

Publications (2)

Publication Number Publication Date
CN112527016A true CN112527016A (zh) 2021-03-19
CN112527016B CN112527016B (zh) 2021-12-24

Family

ID=74997485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011403524.7A Active CN112527016B (zh) 2020-12-02 2020-12-02 一种智能集群一体化容错时变编队控制方法及系统

Country Status (1)

Country Link
CN (1) CN112527016B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156804A (zh) * 2021-03-24 2021-07-23 杭州电子科技大学 多智能体系统的故障诊断与容错控制器设计方法
CN113671961A (zh) * 2021-08-20 2021-11-19 清华大学 多车协同制动有限时间容错控制方法、系统、介质及设备
CN116224807A (zh) * 2023-05-08 2023-06-06 西北工业大学 一种基于分布式观测器的无人机编队故障检测方法
CN116841208A (zh) * 2023-08-30 2023-10-03 白杨时代(北京)科技有限公司 一种无人水下航行器编队控制模拟方法、系统和设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803316A (zh) * 2018-03-09 2018-11-13 南京航空航天大学 针对多智能体系统执行器故障的主动容错控制方法
CN112526884A (zh) * 2020-12-04 2021-03-19 北京航空航天大学 一种故障系统自适应容错方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803316A (zh) * 2018-03-09 2018-11-13 南京航空航天大学 针对多智能体系统执行器故障的主动容错控制方法
CN112526884A (zh) * 2020-12-04 2021-03-19 北京航空航天大学 一种故障系统自适应容错方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MAHDI SIAVASH 等: "Fault-tolerant formation control of stochastic nonlinear multi-agent systems with time-varying weighted topology", 《TRANSACTIONS OF THE INSTITUTE OF MEASUREMENT AND CONTROL》 *
MEYSAM YADEGAR 等: "Output Feedback Fault-Tolerant Control of Heterogeneous Multi-Agent Systems", 《ASIAN JOURNAL OF CONTROL》 *
YONGZHAO HUA 等: "Distributed fault-tolerant time-varying formation control for high-order linear multi-agent systems with actuator failures", 《ISA TRANSACTIONS》 *
蒋银行: "基于分布式观测器的多无人机系统容错控制技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
韩渭辛: "分布式测量系统的故障诊断与容错控制", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156804A (zh) * 2021-03-24 2021-07-23 杭州电子科技大学 多智能体系统的故障诊断与容错控制器设计方法
CN113156804B (zh) * 2021-03-24 2022-03-25 杭州电子科技大学 多智能体系统的故障诊断与容错控制器设计方法
CN113671961A (zh) * 2021-08-20 2021-11-19 清华大学 多车协同制动有限时间容错控制方法、系统、介质及设备
CN116224807A (zh) * 2023-05-08 2023-06-06 西北工业大学 一种基于分布式观测器的无人机编队故障检测方法
CN116841208A (zh) * 2023-08-30 2023-10-03 白杨时代(北京)科技有限公司 一种无人水下航行器编队控制模拟方法、系统和设备

Also Published As

Publication number Publication date
CN112527016B (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN112527016B (zh) 一种智能集群一体化容错时变编队控制方法及系统
CN108803316B (zh) 针对多智能体系统执行器故障的主动容错控制方法
CN112305918A (zh) 超螺旋观测器下的多智能体系统滑模容错一致性控制算法
CN109407520A (zh) 基于滑模控制理论的二阶多智能体系统的容错一致性控制算法
Wang et al. Bipartite consensus for a class of nonlinear multi-agent systems under switching topologies: A disturbance observer-based approach
CN114020042A (zh) 一种异构无人集群编队合围跟踪控制方法及系统
Wang et al. Cooperative control of heterogeneous uncertain dynamical networks: An adaptive explicit synchronization framework
Yang et al. Fault-tolerant consensus of leader-following multi-agent systems based on distributed fault estimation observer
CN114237041B (zh) 一种基于预设性能的空-地协同固定时间容错控制方法
CN113900380A (zh) 一种异构集群系统鲁棒输出编队跟踪控制方法及系统
CN112947086B (zh) 一种无人机和无人车组成的异构多智能体系统编队控制中执行器故障的自适应补偿方法
CN113359445A (zh) 一种多智能体磁滞系统分布式输出反馈渐近一致控制方法
Liu et al. Distributed adaptive fuzzy control approach for prescribed-time containment of uncertain nonlinear multi-agent systems with unknown hysteresis
Li et al. Dynamic event-triggered control for heterogeneous leader-following consensus of multi-agent systems based on input-to-state stability
CN106502100A (zh) 多移动机器人的分布式单时滞控制器设计方法
Wang et al. Predictor-based fuzzy adaptive containment control for nonlinear multiagent systems with actuator nonlinearity and unmeasurable states
Li et al. Learning-observer-based adaptive tracking control of multiagent systems using compensation mechanism
Khodabandeh et al. Control for leader–follower consensus of multi-agent systems with actuator faults using decentralized robust fault-tolerant control
CN112099516B (zh) 一种基于模糊线性化理论的卫星集群姿态跟踪控制方法
CN113276114A (zh) 一种基于终端任务指派的可重构机械臂协同力/运动控制系统与方法
Zeng et al. Observer-based adaptive fuzzy control for strict-feedback nonlinear systems with prescribed performance and dead zone
Mu et al. Machine learning-based active flutter suppression for a flexible flying-wing aircraft
CN116466588A (zh) 多智能体系统的有限时间时变编队跟踪控制方法及系统
CN116362377A (zh) 一种基于多智能体策略梯度模型的大电网区域协同潮流调控方法
Wu et al. Distributed Fault-Tolerant $ H_\infty $ Control for Cooperative Output Regulation of Heterogeneous Multiagent Systems

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