CN113311811B - 一种事件触发多智能体系统及其分布式协同故障检测方法 - Google Patents
一种事件触发多智能体系统及其分布式协同故障检测方法 Download PDFInfo
- Publication number
- CN113311811B CN113311811B CN202110593758.0A CN202110593758A CN113311811B CN 113311811 B CN113311811 B CN 113311811B CN 202110593758 A CN202110593758 A CN 202110593758A CN 113311811 B CN113311811 B CN 113311811B
- Authority
- CN
- China
- Prior art keywords
- agent
- node
- fault detection
- event
- matrix
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 230000001960 triggered effect Effects 0.000 title claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 229940039227 diagnostic agent Drugs 0.000 claims description 2
- 239000000032 diagnostic agent Substances 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种事件触发多智能体系统及其分布式协同故障检测方法,其技术方案为:该故障检测方法具体内容如下:智能体之间通过参考状态估计值进行信息交互,引入绝对事件触发机制至多智能体系统中,并设置在每个智能体的状态观测器端,参考状态估计值为诊断智能体对目标智能体状态的观测值,目标智能体与诊断智能体相邻,并受该诊断智能体检测;事件触发机制作为智能体间交互参考状态估计值交互的决策条件,通过共享所有关于目标智能体的事件触发的参考状态估计值,进而实现协同故障检测。本发明的有益效果为:本发明适用对象为同构多智能体系统,具有可扩展性,有利于对多智能体系统进行统一故障检测和管理。
Description
技术领域
本发明涉及多智能体系统的故障检测技术领域,尤其涉及一种事件触发多智能体系统及其分布式协同故障检测方法。
背景技术
随着现代人工智能和工程系统的规模和复杂程度日益提升,多智能体系统作为较为常见的大规模分布式互联系统,越来越需要及时有效的故障检测技术。
目前多智能体系统的智能体数量庞大,分布不均匀,缺乏集中式管理,更加容易发生故障;同时,仅利用本地信息对多智能体系统进行故障检测,其检测结果不够准确;对此需要发展一种对多智能体系统行之有效的分布式协同故障检测技术。
此外,多智能体系统信息交互带来大量的通信负担会影响系统性能,对此多智能体系统需要引入事件触发以降低信息交互的频率,延长智能体的使用寿命。
如何解决上述技术问题本发明面临的课题。
发明内容
本发明的目的在于提供一种事件触发多智能体系统及其分布式协同故障检测方法,有利于在多智能体系统中实现分布式的最优故障检测,与此同时发挥多智能体之间的协同合作的优势,有利于降低对单智能体的性能要求。
本发明的思想为:本发明提出一种事件触发多智能体系统及其分布式协同故障检测方法,可以实现多智能体系统中精确及时的分布式协同故障检测,同时还降低了多智能体系统的通讯和计算资源消耗,更有利于多智能体系统的故障检测及其他性能实现。
本发明是通过如下措施实现的:一种基于事件触发的多智能体系统,包括智能体动力学模型构建,协同最优故障检测设计模块,事件触发模块,分布式实施协同最优故障检测模块,所述的多智能体系统基于事件触发参考状态进行信息交互,进而实现协同故障检测。
所述的智能体动力学模型构建是由p个独立的智能体组成多智能体系统,智能体之间可进行双向信息传递,如果智能体j和智能体i均可获得对方的信息,则称智能体i和智能体j互为邻居,节点i的邻居集合用表述,其中设分别表示智能体j获得的关于智能体i的参考状态变量和输出量,具体为:
式中,i=1,2,...,p表示智能体的编号,j=i1,i2,…,ici表示指定第i个智能体的邻居智能体的编号,即ui(k)表示第i个智能体受到的控制输入;多个同类智能体构成的多智能体系统中,考虑存在第i个智能体会发生故障,记作fi(k),同时存在有界干扰di(k),满足当智能体j获取智能体i的有关信息时,智能体j伴有双重干扰满足
将所有关于智能体i的参考模型(1)堆叠起来,并结合克罗内克积的定义,可以得到
其中,表示智能体i的通信子网络,由智能体i的所有邻居智能体构成,式中,ci表示节点i拥有的邻居节点数,记作假设所有邻居集均为非空集合(ci≠0);将记作其中X=B,Bd,Bf,C,D,Dd,Df,并且以及其中表示全部元素均为1的列向量。
所述的协同最优故障检测设计模块包括状态观测器、故障检测滤波器、残差评估器和决策单元,所述的状态观测器观测相邻智能体的状态并传递到故障检测滤波器,同时通过事件触发模块传递给其他相邻智能体的状态观测器和故障检测滤波器,所述的故障检测滤波器输出为残差,并连接残差评估器,所述的残差评估器的输出连接决策单元,用于判断是否发生故障。
所述的故障检测滤波器,其特征是:构造伴有邻居智能体信息交互的状态观测器和残差生成器,具体为
式中分别表示节点j上观测到的节点i的参考状态和输出的估计向量。系数pjl≥0表示节点j与其邻居节点l之间的通信权重,满足矩阵V分别代表观测器增益和后置滤波器增益,是待设计的变量。表示节点j获得的节点i的参考残差信号。与传统的残差生成器不同,式(3)中残差生成受邻居信息交互的影响。
定义所有对节点i存在协作检测的邻居节点构成了协同故障检测网络协同故障检测的所有邻居节点将关于节点i的参考状态估计量作为信息在协同故障检测网络内共享,当其中任一邻居节点j对节点i作故障检测时,会伴随中节点j的邻居节点l传递关于节点i的信息以作参考。类似式(2)将所有参考信号堆叠起来,可以得到对节点i的协同故障检测模型:
式中,Gd(z)=Dd+C[zIn-(A-LC)]-1(Bd-LDd),Gf(z)=Df+C[zIn-(A-LC)]-1(Bf-LDf)。根据故障检测的准则(残差信号需要与控制输入实现解耦),通过观察上式发现当矩阵P为行(列)随机矩阵时,等式恒成立。则有:
上式(6)消除了智能体个体之间信息交互过程的痕迹,为获取协同故障检测结果打开了全局视角,同时便于接下来对协同最优残差生成器进行设计。此外,由于不完全满足随机性,若直接采用进行优化求解会导致结果过于保守。对此,根据克罗内克积的性质并结合定义得到
由于实现完美未知输入解耦的条件过于苛刻,考虑设计最优矩阵Lopt,Vopt以实现最优故障检测。采用比值型性能指标来衡量残差对故障的灵敏度和对干扰的鲁棒性之间的关系。首先,研究协同残差信号对节点i的故障信号fi的灵敏度,根据式(8),假设则有
为了在故障灵敏度与干扰鲁棒性之间取得权衡,基于上面两个不等式,将最优残差生成器设计问题转换为求解如下H∞/H∞优化问题:
则优化问题(11)可以重新整理成
使得下式成立:
上述设计的最优参数Lopt,Vopt构成了最优协同故障检测滤波器。值得注意的是,Lopt和Vopt只包含本地信息,符合分布式要求。
所述的事件触发模块是定义如下事件检测器,即决策当前时刻是否发生采样并传输节点l对节点i的参考状态估计值:
式中,Δi>0表示检测节点i的事件触发参数,为待设计的参数。表示tk采样时刻传自邻居节点l对节点i的参考状态估计值,且i={1,2,...,(tk+1-tk)}。上述事件触发机制意味着当参考状态估计的误差超过给定阈值时,节点l能传递到邻居节点j并用于对节点i的故障检测;否则,不能传输当前参考状态估计值。通过使用零阶保持器(ZOH),将事件触发采样信号转变为统一的信号则有如下采样机制,完整描述了从事件检测器到零阶保持器的过程:
类似得到协同故障检测的模型:
式中其他变量和式(4)中一致。定义事件触发传输误差为一旦传输误差的范数超过指定触发参数Δi,则传递节点i的参考状态估计信息。值得注意的是,当同时考虑内所有邻居节点的参考状态估计值时,则有如下绝对事件触发机制成立:
式中,
其中,事件触发传输误差可能受干扰和故障作用,但本发明不在残差生成部分分析将在残差评估部分设计阈值处理引入事件触发机制对系统的影响。因此,事件触发残差生成器(24)仍采用权利要求4中设计的最优矩阵Lopt,Vopt。
所述的残差评估与阈值设定,其特征是:残差评估器作为故障检测系统的第二个阶段,旨在区分未知输入扰动和故障信息以判断是否发生故障。当残差评估超过阈值则意味着系统发生故障,反之正常。其决策逻辑如下所示:
式中为残差评估函数,表示邻居节点j设定的对节点i故障检测的阈值。这里选取业内普遍接受的RMS值作为残差评估函数,因为它能够测量信号的平均能量,并在移动时间窗口内产生平滑的残差评估曲线。阈值测量的是在系统无故障情况下未知输入扰动对评估函数的最大影响。首先,考虑残差评估函数在无故障情况下满足
其中
事实上,根据式(21)难以直接给出残差评估函数乃至阈值。为此,考虑协同残差信号(24)的评估函数,假设f(k)=0,u(k)=0,可以得到
其中,由于P都是双随机矩阵,存在
类似的,假设f(k)=0,d(k)=0,可以得到
所述的分布式实施协同最优故障检测模块,其特征是:设计构造邻接矩阵P以实现协同残差生成器在多智能体系统中分布式实施的目标。由于根据式(4)难以直接设计矩阵P,设即通过获取协同故障检测网络上带有权值的状态估计信息进而获得满足分布式的矩阵P。采用离散系统的迭代方法获取具体为,假设通信周期为τ,控制时间段为T,τ≤T,当时刻k=1,2,...时,在每个控制周期[kT,(k+1)T]内进行T/τ次迭代,用δ表示迭代次数。设每一时刻节点j的初始迭代值为
则进行如下迭代:
与现有技术相比,本发明的有益效果为:本发明。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提供的事件触发的多智能体系统结构图。
图2为本发明基于事件触发的多智能体分布式协同故障检测系统结构框图。
图3为本发明中五辆智能体小车分布式互联系统结构图。
图4为本发明事件触发多智能体系统及其分布式协同故障检测方法的仿真结果图;
图5为本发明中检测节点3时的事件触发采样间隔图,包括(a)小车1和2检测节点3时的事件触发间隔图和(b)小车5检测节点3时的事件触发间隔图。
图6为本发明中小故障情况下对节点3的故障检测效果的仿真结果图。
其中,附图标记为:1、被检测智能体;2、无线网络;3、邻居智能体;4、被检测智能体;5、故障检测滤波器;6、残差评估器;7、决策单元;8、零阶保持器;9、事件检测器;10、协同故障检测网络;11、3号智能体小车;12、2号智能体小车;13、4号智能体小车;14、1号智能体小车;15、5号智能体小车。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图6,本发明提供一种事件触发多智能体系统及其分布式协同故障检测方法,参照图1,所述的多智能体系统包括:被检测智能体1,无线网络2,邻居智能体3;
参照图2,所述的事件触发的多智能体系统包括七个部分:被检测智能体4,故障检测滤波器5,残差评估器6,决策单元7,零阶保持器8,事件检测器9,协同故障检测网络10,其中,所述的故障检测滤波器包括状态观测器、残差生成器,所述的事件检测器连接智能体的状态观测器,所述的状态观测器观测相邻智能体的状态并传递到残差生成器,同时通过事件检测器传递给其他相邻智能体的故障检测滤波器,所述的故障检测滤波器输出为残差,并连接残差评估器,所述的残差评估器的输出连接决策单元,其功能为判断是否发生故障,所述的故障检测单元能直接应用于具有分布式特性的多智能体系统。
参照图3,为五辆智能体小车构成的多智能体系统,其中,智能体小车分别标号为3号智能体小车11,2号智能体小车12,4号智能体小车13,1号智能体小车14,5号智能体小车15,所述的五辆智能体小车在平面上运动组成多智能体系统,其状态空间表达式描述如下:
式中,表示智能体j获得的关于智能体i的参考车辆侧偏角(单位:rad)和转向率,表示智能体j获得的智能体i的参考横向加速度(单位:m/s2)和转向率,为施加在智能体i上的控制输入(转向角向量,单位:rad),所述的五辆智能体小车构成的无向通信拓扑结构,可以表示为
N1={2,3,4,5},N2={1,3,4,5},N3={1,2,5},N4={1,2,5},N5={1,2,3,4}
根据Metropolis-Hastings权值方法,则带有权重的初始邻接矩阵可以设为
考虑任意小车的转向角传感器可能发生故障,则有Ef=B和Ff=D,仿真中假设3号智能体小车发生故障,记作
此外,干扰与多种因素有关,包括道路侧倾角、车身侧倾角和侧倾率等因素,仿真中假设智能体i的干扰为正弦信号,分别记作
相应每个小车受到的干扰的上确界分别设为
设定初始时刻k=0并且仿真运行周期为200时刻,控制周期设定为T=1s,通信周期设定为τ=0.5s,根据定理4.1可以设计出最优观测器增益和滤波器增益:
参照图4,为仿真结果图,其中(a)邻居节点对节点1的故障检测效果图和(b)邻居节点对节点3的故障检测效果图。所有的邻居节点都能检测出3号小车有故障,而检测其他节点皆为正常。
参照图5,为检测节点3时的事件触发采样间隔图,包括(a)小车1和2检测节点3时的事件触发间隔图,当3号小车发生故障时,1和2号小车的触发间隔相较3号小车正常时更加密集;(b)小车5检测节点3时的事件触发间隔图,由于5号小车受到了更大的外部干扰信号,在时刻90至140之间发生的通讯次数比(a)中更多,但并没有影响在小车3发生故障时的密集触发采样以获取更多有用信息用于故障诊断。
参照图6,为小故障情况下所有邻居对节点3的故障检测效果图,设干扰不变,选定常数小故障为
可以看到,当系统发生故障较小而干扰相对较大时,事件触发的故障检测系统存在漏检率偏高的现象,但所设计的阈值确保了零误报率的实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种事件触发多智能体系统,其特征在于,
所述事件触发多智能体系统包括智能体动力学参考模型和事件触发的故障检测单元;
其中,所述的多智能体系统由多个独立的同类智能体分布式联结而成,所述的事件触发的故障检测单元包括事件触发模块、分布式协同故障检测模块;
其中,所述的分布式协同故障检测模块包括状态观测器、故障检测滤波器、残差评估器和决策单元,所述的事件触发模块连接智能体的状态观测器,所述的状态观测器观测相邻智能体的状态并传递到故障检测滤波器,同时,通过事件触发模块传递给其他相邻智能体的状态观测器和故障检测滤波器,所述的故障检测滤波器输出为残差,并连接残差评估器,所述的残差评估器的输出连接决策单元,用于判断是否发生故障,所述的故障检测单元能直接应用于具有分布式特性的多智能体系统;
所述智能体动力学参考模型为:
式中,i=1,2,...,p表示智能体的编号,即考虑由p个独立的同类智能体组成的同构多智能体系统;智能体之间可进行双向信息传递,如果智能体j和智能体i均可获得对方的信息,则称智能体i和智能体j互为邻居,节点i的邻居集合用表述,其中式中j=i1,i2,…,ici表示第i个智能体的邻居智能体的编号,即ui(k)表示第i个智能体受到的控制输入,分别表示智能体j获得的关于邻居智能体i的参考状态变量和输出量;考虑第i个智能体发生故障,记作fi(k),同时存在有界干扰di(k),当智能体j获取智能体i的有关信息时,智能体j伴有双重干扰满足
所述事件触发模块为:
式中,Δi>0表示检测节点i的事件触发参数,为待设置的参数;表示tk采样时刻传自邻居节点l对节点i的参考状态估计值,且i={1,2,...,(tk+1-tk)};上述事件触发模块决策当前时刻是否发生采样并传输节点l对节点i的参考状态估计值,即当参考状态估计的误差超过给定阈值时,节点l能传递到邻居节点j并用于对节点i的故障检测;否则,不能传输当前参考状态估计值;通过使用零阶保持器,将事件触发采样信号转变为统一的信号则有如下采样机制,完整描述了从事件检测器到零阶保持器的过程:
所述分布式协同故障检测模块为:
式中分别表示节点j上观测到的节点i的参考状态和输出的估计向量;系数pjl≥0表示节点j与其邻居节点l之间的通信权重,满足矩阵V分别代表观测器增益和后置滤波器增益,是待设计的变量;ri j表示节点j获得的节点i的参考残差信号;
所述故障检测滤波器为:
目标设计为协同最优残差生成器,首先需要定义所有对节点i存在协作检测的邻居节点构成了协同故障检测网络所有邻居节点将关于节点i的参考状态估计量作为信息在协同故障检测网络内共享,当其中任一邻居节点j对节点i作故障检测时,会伴随中节点j的邻居节点l传递关于节点i的信息以作参考;将所有参考信号堆叠起来,可以得到上对节点i的协同故障检测模型:
式中,
Gd(z)=Dd+C[zIn-(A-LC)]-1(Bd-LDd),
Gf(z)=Df+C[zIn-(A-LC)]-1(Bf-LDf),
接下来,考虑设计最优矩阵Lopt,Vopt以实现最优故障检测,其中采用比值型性能指标来衡量残差对故障的灵敏度和对干扰的鲁棒性之间的关系,将最优残差生成器设计问题转换为求解如下H∞/H∞优化问题:
2.根据权利要求1所述的事件触发多智能体系统,其特征在于,所述协同最优残差生成器为在线实施过程实现分布式协同最优残差生成,以适用于多智能体系统,具体包括:采用迭代法设计构造邻接矩阵P,由于根据式(4)难以直接设计矩阵P,设即通过获取协同故障检测网络上带有权值的状态估计信息进而获得满足分布式的矩阵P,采用离散系统的迭代方法获取具体为,假设通信周期为τ,控制时间段为T,τ≤T,当时刻k=1,2,...时,在每个控制周期[kT,(k+1)T]内进行T/τ次迭代,用δ表示迭代次数,设每一时刻节点j的初始迭代值为
则进行如下迭代:
可以看出,矩阵P0 δ近似P,值得注意的是,上述迭代算法完全满足分布式,矩阵P0的每一项元素仅包含本地信息,适用于多智能体系统。
3.根据权利要求2所述的事件触发多智能体系统,其特征在于,所述残差评估器目标是区分未知输入扰动和故障信息;选取RMS值作为残差评估函数,因为它能够测量信号的平均能量,并在移动时间窗口内产生平滑的残差评估曲线。
5.一种基于权利要求4所述的事件触发多智能体系统的分布式协同故障检测方法,其特征在于,所述分布式协同故障检测方法步骤如下:
S1、构建节点动力学参考模型;
S2、设置最优观测器增益和滤波器增益,以构造协同最优残差;
S4、设置初等权值矩阵,分布式实施协同残差生成;
S5、根据获得的残差,进行残差评估,将所述的残差评估函数与设定的阈值进行比较,判断是否发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593758.0A CN113311811B (zh) | 2021-07-14 | 2021-07-14 | 一种事件触发多智能体系统及其分布式协同故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593758.0A CN113311811B (zh) | 2021-07-14 | 2021-07-14 | 一种事件触发多智能体系统及其分布式协同故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311811A CN113311811A (zh) | 2021-08-27 |
CN113311811B true CN113311811B (zh) | 2021-12-24 |
Family
ID=77376431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593758.0A Active CN113311811B (zh) | 2021-07-14 | 2021-07-14 | 一种事件触发多智能体系统及其分布式协同故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311811B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848876B (zh) * | 2021-08-13 | 2022-04-22 | 南通大学 | 一种低通讯和计算消耗的多agv定距巡航系统故障检测方法 |
CN113848703B (zh) * | 2021-08-28 | 2023-12-08 | 同济大学 | 一种多智能体系统状态估计方法 |
CN116049719B (zh) * | 2023-01-09 | 2024-07-16 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
CN117709806B (zh) * | 2024-02-05 | 2024-05-28 | 慧新全智工业互联科技(青岛)有限公司 | 协同工作的多设备异常自动化检测方法及检测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588283A (zh) * | 2009-04-22 | 2009-11-25 | 北京四方继保自动化股份有限公司 | 基于多智能体技术的广域分布式集成软总线实现方法 |
CN107678280A (zh) * | 2017-10-11 | 2018-02-09 | 北京理工大学 | 一种基于事件触发机制的多智能体系统的预测控制方法 |
CN108681320A (zh) * | 2018-05-11 | 2018-10-19 | 北京理工大学 | 一种基于局部合作的分布式多智能体实时故障检测方法 |
CN109254532A (zh) * | 2018-04-19 | 2019-01-22 | 北京理工大学 | 一种面向通信时滞的多智能体分布式合作故障检测方法 |
CN110161882A (zh) * | 2019-06-12 | 2019-08-23 | 江南大学 | 一种基于事件触发机制的网络化系统的故障检测方法 |
CN110297497A (zh) * | 2019-06-11 | 2019-10-01 | 沈阳航空航天大学 | 网络攻击下基于混合触发机制的多智能体系统一致性的控制方法 |
CN111290277A (zh) * | 2020-02-26 | 2020-06-16 | 鹏城实验室 | 一种分布式多智能体协同故障检测方法、存储介质及设备 |
CN111638726A (zh) * | 2020-05-27 | 2020-09-08 | 北京理工大学 | 基于事件触发通信的多无人机编队一致性控制方法 |
CN112180734A (zh) * | 2020-10-15 | 2021-01-05 | 杭州电子科技大学 | 一种基于分布式自适应事件触发的多智能体一致性方法 |
CN112350664A (zh) * | 2020-10-27 | 2021-02-09 | 电子科技大学 | 一种基于事件触发策略的有限频故障检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9747183B2 (en) * | 2013-12-31 | 2017-08-29 | Ciena Corporation | Method and system for intelligent distributed health monitoring in switching system equipment |
CN112052573B (zh) * | 2020-08-26 | 2024-02-13 | 东南大学 | 基于有限时间观测器的分布式故障识别方法 |
-
2021
- 2021-07-14 CN CN202110593758.0A patent/CN113311811B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588283A (zh) * | 2009-04-22 | 2009-11-25 | 北京四方继保自动化股份有限公司 | 基于多智能体技术的广域分布式集成软总线实现方法 |
CN107678280A (zh) * | 2017-10-11 | 2018-02-09 | 北京理工大学 | 一种基于事件触发机制的多智能体系统的预测控制方法 |
CN109254532A (zh) * | 2018-04-19 | 2019-01-22 | 北京理工大学 | 一种面向通信时滞的多智能体分布式合作故障检测方法 |
CN108681320A (zh) * | 2018-05-11 | 2018-10-19 | 北京理工大学 | 一种基于局部合作的分布式多智能体实时故障检测方法 |
CN110297497A (zh) * | 2019-06-11 | 2019-10-01 | 沈阳航空航天大学 | 网络攻击下基于混合触发机制的多智能体系统一致性的控制方法 |
CN110161882A (zh) * | 2019-06-12 | 2019-08-23 | 江南大学 | 一种基于事件触发机制的网络化系统的故障检测方法 |
CN111290277A (zh) * | 2020-02-26 | 2020-06-16 | 鹏城实验室 | 一种分布式多智能体协同故障检测方法、存储介质及设备 |
CN111638726A (zh) * | 2020-05-27 | 2020-09-08 | 北京理工大学 | 基于事件触发通信的多无人机编队一致性控制方法 |
CN112180734A (zh) * | 2020-10-15 | 2021-01-05 | 杭州电子科技大学 | 一种基于分布式自适应事件触发的多智能体一致性方法 |
CN112350664A (zh) * | 2020-10-27 | 2021-02-09 | 电子科技大学 | 一种基于事件触发策略的有限频故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113311811A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113311811B (zh) | 一种事件触发多智能体系统及其分布式协同故障检测方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
Khan et al. | Application of fuzzy inference systems to detection of faults in wireless sensor networks | |
CN107422272B (zh) | 一种电动汽车动力电池soc智能化检测装置 | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
Zhao et al. | Distributed event-triggered state estimation and fault detection of nonlinear stochastic systems | |
CN110531732B (zh) | 一种非线性网络化控制系统的随机故障检测方法 | |
CN105635963A (zh) | 多智能体分布式协同定位方法 | |
CN112884213B (zh) | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 | |
CN111542010A (zh) | 基于分类自适应估计加权融合算法的wsn数据融合方法 | |
CN113325708B (zh) | 基于异构多智能体的多无人机系统的故障估计方法 | |
Han et al. | Filter transfer learning algorithm for missing data imputation in wastewater treatment process | |
CN109379058B (zh) | 基于平方根容积信息一致的分布式非线性状态估计方法 | |
CN102788955B (zh) | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 | |
CN109362049B (zh) | 基于混合信息加权一致的平方根容积滤波方法 | |
CN114817847B (zh) | 一种基于多层前馈神经网络的储能电站智能监测方法 | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
CN113848876B (zh) | 一种低通讯和计算消耗的多agv定距巡航系统故障检测方法 | |
CN102869006B (zh) | 无线传感器网络层次型入侵诊断处理系统及其方法 | |
CN109151760A (zh) | 基于平方根容积量测加权一致的分布式状态滤波方法 | |
CN113836621A (zh) | 一种基于无迹变换的结构状态/参数/载荷联合识别方法 | |
Kang et al. | A hybrid training algorithm for recurrent neural network using particle swarm optimization-based preprocessing and temporal error aggregation | |
Zhang et al. | Distributed extended kalman-consensus filtering algorithm based on sensor network for nonlinear system | |
Krivoulya et al. | Intellectual wireless diagnosis of linearly distributed objects in real time |
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 |