CN114006777A - 一种集群周期协同控制方法和装置 - Google Patents

一种集群周期协同控制方法和装置 Download PDF

Info

Publication number
CN114006777A
CN114006777A CN202210000484.4A CN202210000484A CN114006777A CN 114006777 A CN114006777 A CN 114006777A CN 202210000484 A CN202210000484 A CN 202210000484A CN 114006777 A CN114006777 A CN 114006777A
Authority
CN
China
Prior art keywords
vector
historical
state vector
parameter matrix
determining
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
CN202210000484.4A
Other languages
English (en)
Other versions
CN114006777B (zh
Inventor
鲁仁全
黄杨程
李军毅
饶红霞
徐雍
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210000484.4A priority Critical patent/CN114006777B/zh
Publication of CN114006777A publication Critical patent/CN114006777A/zh
Priority to JP2022019412A priority patent/JP7079048B1/ja
Application granted granted Critical
Publication of CN114006777B publication Critical patent/CN114006777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Programmable Controllers (AREA)

Abstract

本发明公开了一种集群周期协同控制方法和装置，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，包括：获取历史控制输入向量和各智能设备节点分别对应的历史状态向量；基于外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量；响应于输入的任务创建指令，对多个智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制。从而更为有效地进行控制信号设计和同步误差分析，提高集群同步控制的安全性。

Description

一种集群周期协同控制方法和装置
技术领域
本发明涉及自动化控制技术领域，尤其涉及一种集群周期协同控制方法和装置。
背景技术
随着制造业智能化的不断普及，智能设备节点的应用也日渐增加。而在不同的产品制造过程中，通过各个分别具有各自动态特性的智能设备节点进行通信连接，形成了更为复杂的离散耦合网络系统。与此同时，不同的智能设备节点在制造过程的各个任务阶段往往也呈现出集群特性，由此构建得到集群网络化系统。
但在实际应用过程中，随着其网络化的不断加深，也可能带来网络攻击的威胁。而现有的协同控制方案通常是通过控制集群中固定的一个或多个节点，采用牵制控制协同控制的方法进行控制。
但上述方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪。
发明内容
本发明提供了一种集群周期协同控制方法和装置，解决了现有方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪的技术问题。
本发明提供的一种集群周期协同控制方法，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，所述智能设备节点设有控制器，所述方法包括：
获取历史控制输入向量和各所述智能设备节点分别对应的历史状态向量；
根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量；
响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
通过目标集群控制器采用所述周期控制输入向量对所述离散耦合网络系统进行控制；
将所述历史控制输入向量更新为所述周期控制输入向量，将所述历史状态向量更新为所述当前状态向量，跳转执行所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
可选地，所述参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤，包括：
采用预设的非线性函数计算所述历史状态向量对应的非线性函数向量；
计算所述状态参数矩阵与所述历史状态向量的第一乘值；
计算所述非线性参数矩阵和所述非线性函数向量的第二乘值；
计算所述内耦合参数矩阵、所述耦合配置矩阵和所述历史状态向量之间的第三乘值的累加和值；
计算所述噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加所述第一乘值、所述第二乘值、所述累加和值、所述第四乘值和所述历史控制输入向量，确定各个所述智能设备节点对应的当前状态向量。
可选地，所述响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标的步骤，包括：
响应于输入的任务创建指令，获取对应的任务数量；
按照所述任务数量对多个智能设备节点进行划分，得到与所述任务数量相等的多个设备节点集群；其中，所述设备节点集群具有对应的控制器；
采用预设的非线性函数计算各所述控制器对应的集群非线性函数向量；
计算所述状态参数矩阵与各所述控制器之间的第五乘值；
计算所述非线性参数矩阵和各所述集群非线性函数向量的第六乘值；
叠加各个所述第五乘值与各个所述第六乘值，得到每个所述设备节点集群对应的控制目标。
可选地，所述当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器的步骤，包括：
按照预设周期获取当前集群控制器对应的初始控制增益；
当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量；
计算所述当前状态向量与所述控制目标之间的差值，得到初始同步误差；
采用所述初始同步误差与所述外部攻击信息，构建同步误差函数；
对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制器确定为目标集群控制器。
可选地，所述对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制器确定为目标集群控制器的步骤，包括：
对所述同步误差函数进行增广后，结合各个所述控制增益计算多个同步误差值；
从多个所述同步误差值内选取最小值；
将所述最小值所对应的控制器确定为目标集群控制器。
本发明还提供了一种集群周期协同控制装置，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，所述智能设备节点设有控制器，所述装置包括：
历史信息获取模块，用于获取历史控制输入向量和各所述智能设备节点分别对应的历史状态向量；
当前状态向量确定模块，用于根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量；
集群划分模块，用于响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
周期向量与控制器确定模块，用于当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
周期控制模块，用于通过目标集群控制器采用所述周期控制输入向量对所述离散耦合网络系统进行控制；
周期循环模块，用于将所述历史控制输入向量更新为所述周期控制输入向量，将所述历史状态向量更新为所述当前状态向量，跳转执行所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
可选地，所述参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；所述当前状态向量确定模块具体用于：
采用预设的非线性函数计算所述历史状态向量对应的非线性函数向量；
计算所述状态参数矩阵与所述历史状态向量的第一乘值；
计算所述非线性参数矩阵和所述非线性函数向量的第二乘值；
计算所述内耦合参数矩阵、所述耦合配置矩阵和所述历史状态向量之间的第三乘值的累加和值；
计算所述噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加所述第一乘值、所述第二乘值、所述累加和值、所述第四乘值和所述历史控制输入向量，确定各个所述智能设备节点对应的当前状态向量。
可选地，所述集群划分模块具体用于：
响应于输入的任务创建指令，获取对应的任务数量；
按照所述任务数量对多个智能设备节点进行划分，得到与所述任务数量相等的多个设备节点集群；其中，所述设备节点集群具有对应的控制器；
采用预设的非线性函数计算各所述控制器对应的集群非线性函数向量；
计算所述状态参数矩阵与各所述控制器之间的第五乘值；
计算所述非线性参数矩阵和各所述集群非线性函数向量的第六乘值；
叠加各个所述第五乘值与各个所述第六乘值，得到每个所述设备节点集群对应的控制目标。
可选地，所述周期向量与控制器确定模块包括：
初始控制增益获取子模块，用于按照预设周期获取当前集群控制器对应的初始控制增益；
周期控制输入向量确定子模块，用于当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量；
初始同步误差计算子模块，用于计算所述当前状态向量与所述控制目标之间的差值，得到初始同步误差；
同步误差函数构建子模块，用于采用所述初始同步误差与所述外部攻击信息，构建同步误差函数；
目标集群控制器确定子模块，用于对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制增益所关联的控制器确定为目标集群控制器。
可选地，所述目标集群控制器确定子模块用于：
对所述同步误差函数进行增广后，结合各个所述控制增益计算多个同步误差值；
从多个所述同步误差值内选取最小值；
将所述最小值所对应的控制器确定为目标集群控制器。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取历史控制输入向量和各个智能设备节点分别对应的历史状态向量，与此同时响应于输入的任务创建指令，对多个智能设备节点进行划分以得到多个设备节点集群，并选定各个设备节点集群对应的控制目标；结合外部噪声数据、历史控制输入向量、历史状态向量和预设的参数矩阵确定当前状态向量；当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。从而解决现有方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪的技术问题。
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，下面将对实施例或现有技术描述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它的附图。
图1为本发明实施例一提供的一种集群周期协同控制方法的步骤流程图；
图2为本发明实施例二提供的一种集群周期协同控制方法的步骤流程图；
图3为本发明实施例提供的一种集群周期协同控制方法的过程示意图；
图4为本发明实施例三提供的一种集群周期协同控制装置的结构框图。
具体实施方式
本发明实施例提供了一种集群周期协同控制方法和装置，用于解决现有方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种集群周期协同控制方法的步骤流程图。
本发明提供的一种集群周期协同控制方法，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，智能设备节点设有控制器，方法包括：
步骤101，获取历史控制输入向量和各智能设备节点分别对应的历史状态向量；
离散耦合网络系统可以由多个通信连接的智能设备节点所构成，每个智能设备节点均设有对应的控制器。智能设备节点指的是在工业制造过程中的各个智能设备具象化的节点，而控制器指的是用于控制各个智能设备节点执行对应的工业制造任务的控制设备。
历史控制输入向量指的是第k个时刻从第i个智能设备节点输入的控制输入指令。
在本发明实施例中，多个智能设备节点可以通过预置的耦合配置矩阵进行通信连接，以得到离散耦合网络系统。而在工业制造任务的执行过程中，可以获取到控制各个智能设备节点的历史控制输入向量，以及各个智能设备节点在执行该历史控制输入向量后的历史状态向量。
步骤102，根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量；
外部噪声干扰数据指的是在实际工业制造过程中，各个智能设备节点所处环境存在的外部噪声，例如：
Figure 166062DEST_PATH_IMAGE001
。
在本发明实施例中，可以进一步采用外部噪声干扰数据、历史控制输入向量、历史状态向量以及预设的参数矩阵，确定当前状态向量。
步骤103，响应于输入的任务创建指令，对多个智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
与此同时，可以接收用户输入的任务创建指令，对离散耦合系统内的多个智能设备节点进行划分，以得到执行不同制造任务的多个设备节点集群。并同时确定各个设备节点集群所对应的控制目标，从而确定控制指令的输入是通过哪个控制器进行输入的。
步骤104，当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
外部攻击信息指的是虚假数据注入攻击，可以通过随机伯努利过程的方式进行表示，例如当随机伯努利过程
Figure 674403DEST_PATH_IMAGE002
时，表示控制器遭受到网络攻击并被改变了控制信号，
Figure 805170DEST_PATH_IMAGE003
时，表示控制器正常工作。另外，控制器能检测网络攻击的概率
Figure 757077DEST_PATH_IMAGE004
。
在本发明实施例中，由于外部攻击信息并不常见，可以通过添加随机伯努利过程的方式，当检测到该外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器。
步骤105，通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；
步骤106，将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
在本发明实施例中，在构建得到同步误差函数后，可以将同步误差函数增广成同步误差矩阵，采用线性矩阵不等式的方法求解最优控制增益，以最小化其中的同步误差矩阵为目标，选取控制增益最小值所关联的控制器，将其确定为目标集群控制器，从而通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制。
需要说明的是，由于每一时刻对应的历史控制输入向量、当前状态向量和历史状态向量均不同，因此可以历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行步骤102，实现目标集群控制器的周期性控制。
在本发明实施例中，本发明通过获取历史控制输入向量和各个智能设备节点分别对应的历史状态向量，与此同时响应于输入的任务创建指令，对多个智能设备节点进行划分以得到多个设备节点集群，并选定各个设备节点集群对应的控制目标；结合外部噪声数据、历史控制输入向量、历史状态向量和预设的参数矩阵确定当前状态向量；当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。从而解决现有方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪的技术问题。
请参阅图2，图2为本发明实施例二提供的一种集群周期协同控制方法的步骤流程图。
本发明提供的一种集群周期协同控制方法，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，智能设备节点设有控制器，方法包括：
步骤201，获取历史控制输入向量和各智能设备节点分别对应的历史状态向量；
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202，根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量；
可选地，参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；步骤202可以包括以下子步骤：
当检测到外部噪声干扰数据时，采用预设的非线性函数计算历史状态向量对应的非线性函数向量；
计算状态参数矩阵与历史状态向量的第一乘值；
计算非线性参数矩阵和非线性函数向量的第二乘值；
计算内耦合参数矩阵、耦合配置矩阵和历史状态向量之间的第三乘值的累加和值；
计算噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加第一乘值、第二乘值、累加和值、第四乘值和历史控制输入向量，确定各个智能设备节点对应的当前状态向量。
在具体实现中，当前状态向量
Figure 402822DEST_PATH_IMAGE005
可以为：
Figure 652538DEST_PATH_IMAGE006
；
其中，
Figure 453790DEST_PATH_IMAGE005
为第i个智能设备节点在第k时刻的当前状态向量，
Figure 763549DEST_PATH_IMAGE007
为第i个智能设备节点在第k-1时刻的历史状态向量，
Figure 896590DEST_PATH_IMAGE008
为第i个智能设备节点在第k-1时刻的非线性函数向量，
Figure 763046DEST_PATH_IMAGE009
为第i个智能设备节点在第k时刻的历史控制输入向量，
Figure 602826DEST_PATH_IMAGE010
为外部噪声干扰数据，
Figure 145803DEST_PATH_IMAGE011
为第j个智能设备节点在第k-1时刻的系统状态向量，
Figure 251293DEST_PATH_IMAGE012
为第i个智能设备节点和第j个智能设备节点之间的网络拓扑结构对应的耦合配置矩阵，
Figure 108391DEST_PATH_IMAGE013
为表示各个智能设备节点之间的连接情况的内耦合矩阵，
Figure 864994DEST_PATH_IMAGE014
为状态参数矩阵，
Figure 329605DEST_PATH_IMAGE015
为非线性参数矩阵，
Figure 374921DEST_PATH_IMAGE016
为噪声参数矩阵，N为智能设备节点的总数量，n x 为智能设备节点对应的第n x 个状态信息。
通过分别将历史状态向量、外部噪声干扰数据和历史控制输入向量代入上式，计算得到各个智能设备节点对应的当前状态向量。
步骤203，响应于输入的任务创建指令，对多个智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
可选地，步骤203可以包括以下子步骤S11-S16：
S11、响应于输入的任务创建指令，获取对应的任务数量；
S12、按照任务数量对多个智能设备节点进行划分，得到与任务数量相等的多个设备节点集群；其中，设备节点集群具有对应的控制器；
在本发明实施例中，在得到由多个智能设备节点所构成的离散耦合网络系统后，可以进一步按照用户输入的任务创建指令所对应的任务数量，对多个智能设备节点进行划分，以得到与任务数量相等的多个设备节点集群：
Figure 832447DEST_PATH_IMAGE017
其中，
Figure 191360DEST_PATH_IMAGE018
分别表示根据不同的制造任务被划分成的设备节点集群，设备节点集群数量为m个，
Figure 341719DEST_PATH_IMAGE019
表示各个设备节点集群内的智能设备节点的编号。
S13、采用预设的非线性函数计算各控制器对应的集群非线性函数向量；
S14、计算状态参数矩阵与各控制器之间的第五乘值；
S15、计算非线性参数矩阵和各集群非线性函数向量的第六乘值；
S16、叠加各个第五乘值与各个第六乘值，得到每个设备节点集群对应的控制目标。
在划分得到多个设备节点集群后，由于不同的智能设备节点可以被划分为不同的设备节点集群以实现不同的工业过程目标，各个设备节点集群对应的控制目标
Figure 421801DEST_PATH_IMAGE020
可以通过以下公式进行计算：
Figure 355122DEST_PATH_IMAGE021
其中，
Figure 86318DEST_PATH_IMAGE022
表示第
Figure 158310DEST_PATH_IMAGE023
时刻集群
Figure 709377DEST_PATH_IMAGE024
的控制器，
Figure 525017DEST_PATH_IMAGE025
，同集群节点的
Figure 110720DEST_PATH_IMAGE026
与
Figure 79245DEST_PATH_IMAGE027
相等，
Figure 320870DEST_PATH_IMAGE028
表示关于
Figure 923890DEST_PATH_IMAGE029
的集群非线性函数向量。
步骤204，按照预设周期获取当前集群控制器对应的初始控制增益；
步骤205，当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量；
在本发明实施例中，可以按照预设周期获取当前集群控制器对应的初始控制增益，结合外部攻击信息和当前状态向量，确定周期控制输入向量，也就是新的历史控制输入向量
Figure 114831DEST_PATH_IMAGE030
：
Figure 777894DEST_PATH_IMAGE031
其中，
Figure 54285DEST_PATH_IMAGE030
表示第
Figure 398679DEST_PATH_IMAGE023
时刻第
Figure 958973DEST_PATH_IMAGE032
个节点所发出的周期控制输入向量，也就是新的历史控制输入向量。
在具体实现中，上述周期控制输入向量可以通过以下过程进行计算：
牵制控制的特点是一个集群只有一个固定的节点被用来进行控制以达到集群同步的效果，以
Figure 278090DEST_PATH_IMAGE033
作为受控节点的固定集。
具体的，受控节点牵制控制表达式描述如下：
Figure 556625DEST_PATH_IMAGE034
其中，
Figure 249250DEST_PATH_IMAGE035
表示第
Figure 664051DEST_PATH_IMAGE023
时刻第
Figure 154069DEST_PATH_IMAGE032
个节点的控制器所发出的牵制控制输入信号，
Figure 654321DEST_PATH_IMAGE036
示对应控制器的控制增益。
其中，最小公倍数周期切换处理，具体特征是：首先对全部集群的节点数进行最小公倍数计算，得到一个控制周期的切换次数，然后基于一个控制周期的切换次数设定每一次切换时刻各个集群所选受控节点的集合，最后根据具体的受控节点集给出控制器增益，得到受控节点周期控制表达式。
具体的，受控节点周期控制表达式描述如下：
Figure 153566DEST_PATH_IMAGE037
Figure 422873DEST_PATH_IMAGE038
其中，
Figure 349372DEST_PATH_IMAGE039
表示控制器所发出的周期控制输入信号，
Figure 336920DEST_PATH_IMAGE040
表示集群同步控制器的增益，
Figure 377207DEST_PATH_IMAGE041
表示受控节点的周期集，
Figure 766600DEST_PATH_IMAGE042
为周期集的索引值。
步骤206，计算当前状态向量与控制目标之间的差值，得到初始同步误差；
步骤207，采用初始同步误差与外部攻击信息，构建同步误差函数；
在本发明实施例中，当检测到外部攻击信息时，可以进一步计算当前状态向量与控制目标之间的差值，得到初始同步误差，再采用初始同步误差结合外部攻击信息，构建同步误差函数。
在具体实现中，构建得到的同步误差函数为：
Figure 864000DEST_PATH_IMAGE043
其中，
Figure 73264DEST_PATH_IMAGE044
，表示第
Figure 914313DEST_PATH_IMAGE032
个节点与其所属设备节点集群之间的同步误差；
Figure 158212DEST_PATH_IMAGE045
表示为
Figure 613464DEST_PATH_IMAGE046
与
Figure 326336DEST_PATH_IMAGE047
之间的差值，
Figure 954764DEST_PATH_IMAGE048
为外部攻击信息，
Figure 800973DEST_PATH_IMAGE040
为控制器对应的控制器增益，
Figure 489443DEST_PATH_IMAGE041
表示受控节点的周期集，
Figure 424032DEST_PATH_IMAGE042
为周期集的索引值。
需要说明的是，其中，
Figure 793833DEST_PATH_IMAGE042
定义为：
Figure 12325DEST_PATH_IMAGE049
，
Figure 622429DEST_PATH_IMAGE050
，
Figure 293582DEST_PATH_IMAGE051
表示为
Figure 14544DEST_PATH_IMAGE052
的最小公倍数。
进一步，定义受控节点集为：
Figure 87543DEST_PATH_IMAGE053
；
进一步，
Figure 55499DEST_PATH_IMAGE054
其中，
Figure 979328DEST_PATH_IMAGE055
表示在
Figure 753249DEST_PATH_IMAGE023
时刻第
Figure 697066DEST_PATH_IMAGE024
个集群所选的控制目标。
Figure 898240DEST_PATH_IMAGE048
为外部攻击信息，是一个随机伯努利过程，表示是否遭受到网络攻击。当
Figure 29138DEST_PATH_IMAGE002
时，表示控制器遭受到网络攻击并被改变了控制信号，
Figure 606750DEST_PATH_IMAGE003
时，表示控制器正常工作。另外，控制器能检测网络攻击的概率
Figure 405073DEST_PATH_IMAGE004
。
步骤208，对同步误差函数进行增广求解最小值，将最小值对应的控制器确定为目标集群控制器；
可选地，步骤208可以包括以下子步骤：
对同步误差函数进行增广后，结合各个控制增益计算多个同步误差值；
从多个同步误差值内选取最小值；
将最小值所对应的控制器确定为目标集群控制器。
在本发明实施例中，可以先对上述同步误差函数进行矩阵增广，以得到下式：
Figure 777148DEST_PATH_IMAGE056
其中，
Figure 392413DEST_PATH_IMAGE057
、
Figure 445820DEST_PATH_IMAGE058
、
Figure 347917DEST_PATH_IMAGE059
、
Figure 641626DEST_PATH_IMAGE060
为对同步误差函数内的各个参数进行增广后得到的参数矩阵，其中，
Figure 261963DEST_PATH_IMAGE061
，
Figure 666531DEST_PATH_IMAGE062
，
Figure 688713DEST_PATH_IMAGE063
，
Figure 153324DEST_PATH_IMAGE064
Figure 933061DEST_PATH_IMAGE065
Figure 390587DEST_PATH_IMAGE066
Figure 20938DEST_PATH_IMAGE067
Figure 905718DEST_PATH_IMAGE068
Figure 172751DEST_PATH_IMAGE069
Figure 184700DEST_PATH_IMAGE070
表示同步误差矩阵。
通过构建同步误差矩阵，采用线性矩阵不等式的方法最小化同步误差矩阵，求解同步误差函数得到最优控制增益。
其中，最优控制增益指的是控制器受到干扰后在预定的时间内恢复正常，稳定后与目标值的差值小的控制器对应的控制增益。
步骤209，通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；
步骤210，将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
如图3所示，本实施例所提供的系统是一个具有3个集群的离散耦合网络系统，同一个集群的节点始终处于相同的网络环境中，集群表达式描述为：
Figure 915896DEST_PATH_IMAGE071
，
Figure 722309DEST_PATH_IMAGE072
，
Figure 538956DEST_PATH_IMAGE073
。其中，在随机网络攻击对控制器产生影响的环境下，每个控制器采用周期安全控制策略对整个集群网络系统进行协同控制。
具体实施步骤如下：
步骤1，离散耦合网络系统建模，当前状态向量
Figure 541547DEST_PATH_IMAGE074
：
Figure 877981DEST_PATH_IMAGE075
其中，
Figure 104563DEST_PATH_IMAGE076
，
Figure 156308DEST_PATH_IMAGE077
，
Figure 759328DEST_PATH_IMAGE078
，
Figure 137220DEST_PATH_IMAGE079
，
Figure 551015DEST_PATH_IMAGE080
，
Figure 76674DEST_PATH_IMAGE081
；外部干扰噪声叠加项为：
Figure 234117DEST_PATH_IMAGE001
，系统的耦合配置矩阵为：
Figure 528832DEST_PATH_IMAGE082
步骤2， 控制目标确定：
Figure 300479DEST_PATH_IMAGE083
其中，每个设备节点集群的非线性函数与下面形式相同：
Figure 64167DEST_PATH_IMAGE084
Figure 8989DEST_PATH_IMAGE085
Figure 165733DEST_PATH_IMAGE086
步骤3，构造新的历史控制输入向量
Figure 170598DEST_PATH_IMAGE087
：
Figure 608533DEST_PATH_IMAGE088
其中，
Figure 107778DEST_PATH_IMAGE089
，
Figure 377086DEST_PATH_IMAGE002
表示遭受到网络攻击，
Figure 303584DEST_PATH_IMAGE003
表示系统正常运行。
步骤4，构造同步误差函数：
Figure 291132DEST_PATH_IMAGE090
其中，节点控制器能检测网络攻击的概率为：
Figure 515440DEST_PATH_IMAGE091
，
Figure 655565DEST_PATH_IMAGE092
，
Figure 736654DEST_PATH_IMAGE093
。
步骤5，求解同步误差函数：
Figure 959300DEST_PATH_IMAGE095
其中，
Figure 987299DEST_PATH_IMAGE096
。
进一步，通过将同步误差矩阵最小化作为目标函数进行优化求解，可以得到同步控制器，最终实现集群同步效果。
在本发明实施例中，通过获取历史控制输入向量和各个智能设备节点分别对应的历史状态向量，与此同时响应于输入的任务创建指令，对多个智能设备节点进行划分以得到多个设备节点集群，并选定各个设备节点集群对应的控制目标；结合外部噪声数据、历史控制输入向量、历史状态向量和预设的参数矩阵确定当前状态向量；当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。从而解决现有方案对于长期工作的智能设备节点而言，容易损耗其使用寿命，且无法有效抵御网络攻击对控制器和控制信号的恶意篡改，容易引发工业集群网络的运行故障，甚至导致工业制造系统的全面瘫痪的技术问题。
请参阅图4，图4示出了本发明实施例三的一种集群周期协同控制装置的结构框图。
本发明实施例提供了一种集群周期协同控制装置，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，智能设备节点设有控制器，装置包括：
历史信息获取模块401，用于获取历史控制输入向量和各智能设备节点分别对应的历史状态向量；
当前状态向量确定模块402，用于根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量；
集群划分模块403，用于响应于输入的任务创建指令，对多个智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
周期向量与控制器确定模块404，用于当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
周期控制模块405，用于通过目标集群控制器采用周期控制输入向量对离散耦合网络系统进行控制；
周期循环模块406，用于将历史控制输入向量更新为周期控制输入向量，将历史状态向量更新为当前状态向量，跳转执行根据外部噪声干扰数据、历史控制输入向量、历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
可选地，参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；当前状态向量确定模块402具体用于：
采用预设的非线性函数计算历史状态向量对应的非线性函数向量；
计算状态参数矩阵与历史状态向量的第一乘值；
计算非线性参数矩阵和非线性函数向量的第二乘值；
计算内耦合参数矩阵、耦合配置矩阵和历史状态向量之间的第三乘值的累加和值；
计算噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加第一乘值、第二乘值、累加和值、第四乘值和历史控制输入向量，确定各个智能设备节点对应的当前状态向量。
可选地，集群划分模块403具体用于：
响应于输入的任务创建指令，获取对应的任务数量；
按照任务数量对多个智能设备节点进行划分，得到与任务数量相等的多个设备节点集群；其中，设备节点集群具有对应的控制器；
采用预设的非线性函数计算各控制器对应的集群非线性函数向量；
计算状态参数矩阵与各控制器之间的第五乘值；
计算非线性参数矩阵和各集群非线性函数向量的第六乘值；
叠加各个第五乘值与各个第六乘值，得到每个设备节点集群对应的控制目标。
可选地，周期向量与控制器确定模块404包括：
初始控制增益获取子模块，用于按照预设周期获取当前集群控制器对应的初始控制增益；
周期控制输入向量确定子模块，用于当检测到外部攻击信息时，根据当前状态向量、控制目标和外部攻击信息，确定周期控制输入向量；
初始同步误差计算子模块，用于计算当前状态向量与控制目标之间的差值，得到初始同步误差；
同步误差函数构建子模块，用于采用初始同步误差与外部攻击信息，构建同步误差函数；
目标集群控制器确定子模块，用于对同步误差函数进行增广求解最小值，将最小值对应的控制增益所关联的控制器确定为目标集群控制器。
可选地，目标集群控制器确定子模块用于：
对同步误差函数进行增广后，结合各个控制增益计算多个同步误差值；
从多个同步误差值内选取最小值；
将最小值所对应的控制器确定为目标集群控制器。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，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)

1.一种集群周期协同控制方法，其特征在于，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，所述智能设备节点设有控制器，所述方法包括：
获取历史控制输入向量和各所述智能设备节点分别对应的历史状态向量；
根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量；
响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
通过目标集群控制器采用所述周期控制输入向量对所述离散耦合网络系统进行控制；
将所述历史控制输入向量更新为所述周期控制输入向量，将所述历史状态向量更新为所述当前状态向量，跳转执行所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
2.根据权利要求1所述的方法，其特征在于，所述参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤，包括：
采用预设的非线性函数计算所述历史状态向量对应的非线性函数向量；
计算所述状态参数矩阵与所述历史状态向量的第一乘值；
计算所述非线性参数矩阵和所述非线性函数向量的第二乘值；
计算所述内耦合参数矩阵、所述耦合配置矩阵和所述历史状态向量之间的第三乘值的累加和值；
计算所述噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加所述第一乘值、所述第二乘值、所述累加和值、所述第四乘值和所述历史控制输入向量，确定各个所述智能设备节点对应的当前状态向量。
3.根据权利要求2所述的方法，其特征在于，所述响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标的步骤，包括：
响应于输入的任务创建指令，获取对应的任务数量；
按照所述任务数量对多个智能设备节点进行划分，得到与所述任务数量相等的多个设备节点集群；其中，所述设备节点集群具有对应的控制器；
采用预设的非线性函数计算各所述控制器对应的集群非线性函数向量；
计算所述状态参数矩阵与各所述控制器之间的第五乘值；
计算所述非线性参数矩阵和各所述集群非线性函数向量的第六乘值；
叠加各个所述第五乘值与各个所述第六乘值，得到每个所述设备节点集群对应的控制目标。
4.根据权利要求2所述的方法，其特征在于，所述当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器的步骤，包括：
按照预设周期获取当前集群控制器对应的初始控制增益；
当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量；
计算所述当前状态向量与所述控制目标之间的差值，得到初始同步误差；
采用所述初始同步误差与所述外部攻击信息，构建同步误差函数；
对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制器确定为目标集群控制器。
5.根据权利要求4所述的方法，其特征在于，所述对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制器确定为目标集群控制器的步骤，包括：
对所述同步误差函数进行增广后，结合各个所述控制增益计算多个同步误差值；
从多个所述同步误差值内选取最小值；
将所述最小值所对应的控制器确定为目标集群控制器。
6.一种集群周期协同控制装置，其特征在于，涉及由多个通信连接的智能设备节点构成的离散耦合网络系统，所述智能设备节点设有控制器，所述装置包括：
历史信息获取模块，用于获取历史控制输入向量和各所述智能设备节点分别对应的历史状态向量；
当前状态向量确定模块，用于根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量；
集群划分模块，用于响应于输入的任务创建指令，对多个所述智能设备节点进行划分，得到多个设备节点集群并确定对应的控制目标；
周期向量与控制器确定模块，用于当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量和目标集群控制器；
周期控制模块，用于通过目标集群控制器采用所述周期控制输入向量对所述离散耦合网络系统进行控制；
周期循环模块，用于将所述历史控制输入向量更新为所述周期控制输入向量，将所述历史状态向量更新为所述当前状态向量，跳转执行所述根据外部噪声干扰数据、所述历史控制输入向量、所述历史状态向量和预设的参数矩阵，确定当前状态向量的步骤。
7.根据权利要求6所述的装置，其特征在于，所述参数矩阵包括状态参数矩阵、非线性参数矩阵、噪声参数矩阵、内耦合参数矩阵和耦合配置矩阵；所述当前状态向量确定模块具体用于：
采用预设的非线性函数计算所述历史状态向量对应的非线性函数向量；
计算所述状态参数矩阵与所述历史状态向量的第一乘值；
计算所述非线性参数矩阵和所述非线性函数向量的第二乘值；
计算所述内耦合参数矩阵、所述耦合配置矩阵和所述历史状态向量之间的第三乘值的累加和值；
计算所述噪声参数矩阵与外部噪声干扰数据的第四乘值；
叠加所述第一乘值、所述第二乘值、所述累加和值、所述第四乘值和所述历史控制输入向量，确定各个所述智能设备节点对应的当前状态向量。
8.根据权利要求7所述的装置，其特征在于，所述集群划分模块具体用于：
响应于输入的任务创建指令，获取对应的任务数量；
按照所述任务数量对多个智能设备节点进行划分，得到与所述任务数量相等的多个设备节点集群；其中，所述设备节点集群具有对应的控制器；
采用预设的非线性函数计算各所述控制器对应的集群非线性函数向量；
计算所述状态参数矩阵与各所述控制器之间的第五乘值；
计算所述非线性参数矩阵和各所述集群非线性函数向量的第六乘值；
叠加各个所述第五乘值与各个所述第六乘值，得到每个所述设备节点集群对应的控制目标。
9.根据权利要求7所述的装置，其特征在于，所述周期向量与控制器确定模块包括：
初始控制增益获取子模块，用于按照预设周期获取当前集群控制器对应的初始控制增益；
周期控制输入向量确定子模块，用于当检测到外部攻击信息时，根据当前状态向量、所述控制目标和外部攻击信息，确定周期控制输入向量；
初始同步误差计算子模块，用于计算所述当前状态向量与所述控制目标之间的差值，得到初始同步误差；
同步误差函数构建子模块，用于采用所述初始同步误差与所述外部攻击信息，构建同步误差函数；
目标集群控制器确定子模块，用于对所述同步误差函数进行增广求解最小值，将所述最小值对应的控制增益所关联的控制器确定为目标集群控制器。
10.根据权利要求9所述的装置，其特征在于，所述目标集群控制器确定子模块用于：
对所述同步误差函数进行增广后，结合各个所述控制增益计算多个同步误差值；
从多个所述同步误差值内选取最小值；
将所述最小值所对应的控制器确定为目标集群控制器。
CN202210000484.4A 2022-01-04 2022-01-04 一种集群周期协同控制方法和装置 Active CN114006777B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210000484.4A CN114006777B (zh) 2022-01-04 2022-01-04 一种集群周期协同控制方法和装置
JP2022019412A JP7079048B1 (ja) 2022-01-04 2022-02-10 クラスター周期協調制御方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210000484.4A CN114006777B (zh) 2022-01-04 2022-01-04 一种集群周期协同控制方法和装置

Publications (2)

Publication Number Publication Date
CN114006777A true CN114006777A (zh) 2022-02-01
CN114006777B CN114006777B (zh) 2022-03-11

Family

ID=79932539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210000484.4A Active CN114006777B (zh) 2022-01-04 2022-01-04 一种集群周期协同控制方法和装置

Country Status (2)

Country Link
JP (1) JP7079048B1 (zh)
CN (1) CN114006777B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464922A (zh) * 2009-01-22 2009-06-24 中国人民解放军国防科学技术大学 基于集群系统的计算机体系结构方案并行模拟优选方法
US7606698B1 (en) * 2006-09-26 2009-10-20 Cadence Design Systems, Inc. Method and apparatus for sharing data between discrete clusters of processors
US20160179434A1 (en) * 2014-12-19 2016-06-23 Intel Corporation Storage device and method for performing convolution operations
CN109031949A (zh) * 2018-07-06 2018-12-18 广东工业大学 一种智能制造系统协同控制方法
CN110426951A (zh) * 2019-07-17 2019-11-08 西北工业大学深圳研究院 一种应用于集群智能系统的鲁棒分布式平均跟踪控制方法
CN111580545A (zh) * 2020-03-25 2020-08-25 北京航空航天大学 一种异构无人机集群分布式时空协调控制方法
CN112230679A (zh) * 2020-12-15 2021-01-15 中国人民解放军国防科技大学 基于延时的群组耦合系统协同控制方法和装置
CN113792858A (zh) * 2021-09-13 2021-12-14 江南大学 耦合神经网络有界同步及其分布式控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010128674A (ja) * 2008-11-26 2010-06-10 Nec Corp コンピュータネットワーク、異常検出装置、異常検出方法および異常検出プログラム
US8683591B2 (en) * 2010-11-18 2014-03-25 Nant Holdings Ip, Llc Vector-based anomaly detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7606698B1 (en) * 2006-09-26 2009-10-20 Cadence Design Systems, Inc. Method and apparatus for sharing data between discrete clusters of processors
CN101464922A (zh) * 2009-01-22 2009-06-24 中国人民解放军国防科学技术大学 基于集群系统的计算机体系结构方案并行模拟优选方法
US20160179434A1 (en) * 2014-12-19 2016-06-23 Intel Corporation Storage device and method for performing convolution operations
CN109031949A (zh) * 2018-07-06 2018-12-18 广东工业大学 一种智能制造系统协同控制方法
CN110426951A (zh) * 2019-07-17 2019-11-08 西北工业大学深圳研究院 一种应用于集群智能系统的鲁棒分布式平均跟踪控制方法
CN111580545A (zh) * 2020-03-25 2020-08-25 北京航空航天大学 一种异构无人机集群分布式时空协调控制方法
CN112230679A (zh) * 2020-12-15 2021-01-15 中国人民解放军国防科技大学 基于延时的群组耦合系统协同控制方法和装置
CN113792858A (zh) * 2021-09-13 2021-12-14 江南大学 耦合神经网络有界同步及其分布式控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN-YI LI等: "Distributed H∞ State Estimator Design for Time-Delay Periodic Systems Over Scheduling Sensor Networks", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
李军毅: "网络化非线性系统的分布式状态估计与同步控制研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
武云发等: "欺骗攻击环境下带有传感器故障的大规模电网分布式状态估计", 《南京信息工程大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
JP7079048B1 (ja) 2022-06-01
JP2023099985A (ja) 2023-07-14
CN114006777B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Niu et al. Event-triggered adaptive output-feedback control of switched stochastic nonlinear systems with actuator failures: A modified MDADT method
CN106200575A (zh) 一种基于Petri网的自动制造系统的稳健性控制方法
Deng Cooperative fault-tolerant output regulation of linear heterogeneous multiagent systems under directed network topology
WO2023066084A1 (zh) 算力分配方法、装置及算力服务器
Lv et al. Is fully distributed adaptive protocol applicable to graphs containing a directed spanning tree?
CN115098278B (zh) 一种基于微服务的数字孪生车间多场景交互方法
CN111814333A (zh) 奇异Lur’e网络聚类同步的牵制节点选择方法
Yan et al. Probability-density-dependent load frequency control of power systems with random delays and cyber-attacks via circuital implementation
Mu et al. Hierarchical multiagent formation control scheme via actor-critic learning
CN113325708B (zh) 基于异构多智能体的多无人机系统的故障估计方法
CN115453356A (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
CN114006777B (zh) 一种集群周期协同控制方法和装置
Wu et al. Dynamic event-triggered synchronization of complex networks with switching topologies: Asynchronous observer-based case
Liu et al. Data-based output synchronization of discrete-time heterogeneous multiagent systems with sensor faults
Zhao et al. Distributed adaptive fuzzy fault-tolerant control for multi-agent systems with node faults and denial-of-service attacks
Guo et al. Leader-following successive lag consensus of nonlinear multi-agent systems via observer-based event-triggered control
CN106940533A (zh) 一种基于云超实时仿真平台与硬件在环的实时决策方法
Kambhampati et al. Reconfiguration in networked control systems: Fault tolerant control and plug-and-play
Li et al. Adaptive event-triggered group consensus of multi-agent systems with non-identical nonlinear dynamics
CN113031644B (zh) 一种面向通信时滞的飞行器编队控制系统事件触发方法、装置及介质
Lin et al. Robust consensus for linear multi-agent systems over randomly switching topologies
Connally et al. Prediction-and simulation-error based perceptron training: Solution space analysis and a novel combined training scheme
CN111277444B (zh) 一种交换机故障预警方法和装置
EP3851921A1 (en) Distributed computer control system and method of operation thereof via collective learning
CN113486583A (zh) 设备的健康评估方法、装置、计算机设备及计算机可读存储介质

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