CN114237201B - 一种基于残差的远程智能监测和调控系统 - Google Patents
一种基于残差的远程智能监测和调控系统 Download PDFInfo
- Publication number
- CN114237201B CN114237201B CN202111477857.9A CN202111477857A CN114237201B CN 114237201 B CN114237201 B CN 114237201B CN 202111477857 A CN202111477857 A CN 202111477857A CN 114237201 B CN114237201 B CN 114237201B
- Authority
- CN
- China
- Prior art keywords
- residual
- local
- remote
- fault
- intelligent
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000004378 air conditioning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000000087 stabilizing 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于残差的远程智能监测和调控系统,属于智能制造和故障诊断技术领域。其技术方案为:由本地闭环系统和远程调控中心组成;本地闭环系统装有智能执行器和智能传感器,智能传感器观测系统状态并生成需要上传至远程调控中心的残差,智能执行器用于状态和残差联合反馈;远程调控中心基于本地闭环系统上传的残差信息,获取本地系统的所有信息,借助阈值法和自适应法对上传的残差进行分析,用于对本地故障的远程检测和诊断,根据故障情况实时调控本地系统的智能执行机构。本发明的有益效果为:本发明通过残差进行信息交互,不仅能实现低通讯的远程监测,还能对本地闭环系统进行实时调控,保证了整体系统的安全性与可靠性。
Description
技术领域
本发明涉及智能制造和故障诊断技术领域,尤其涉及一种基于残差的远程智能监测和调控系统。
背景技术
在工业生产过程复杂化、自动化和智能化程度越来越高的情况下,设备与系统的安全性、可靠性越来越重要,一点微小的故障就可能会引起大面积的停机瘫痪,导致巨大的经济损失,甚至带来安全隐患,因此,系统具有可靠的故障诊断与调控能力尤为重要。而传统的被动式故障诊断方法需要积极的人工干预,一方面,用户需要敏锐的捕捉故障现象并积极反应,另一方面,管理者需要积极的处理用户诉求,并寻找专业能力强且经验丰富的维修人员进行实地检查和维修。但是,部分微小故障的发生在短时间内并不明显的影响系统的正常运行,使得用户和管理者都逐渐漠视此类故障,同时该方法往往需要耗费大量的人力、物力和财力。故而,传统的被动式故障诊断方法在大规模复杂系统中将不再适用。
在智能制造技术迅速发展的背景下,通常对系统的远程智能监测和调控能力提出了更高的需求,人们期望不用亲临现场,而在远程端通过系统上传的相关信息就可以检测到系统的故障,一旦故障发生,远程端也将实时地向本地闭环系统传回更新后的关键系统参数,以此保证本地闭环系统的稳定性。这种主动式故障诊断方法不仅极大地减少了人工对系统的干预,而且还实现了高效、高质量、低成本的智能生产过程。因此,针对大规模复杂系统,开展基于残差的远程智能监测和调控研究具有重要的实际意义和应用价值。
随着制造技术、通信技术及智能科学技术的迭代发展,一种基于残差的远程智能监测和调控系统被提出用于解决上述问题。
发明内容
本发明的目的在于提供一种基于残差的远程智能监测和调控系统,由于残差信息数值较小,该系统在实现远程端对本地闭环系统监测和调控作用的同时,数据传输过程中也占据较少的通信带宽。
本发明是通过如下措施实现的:本发明提供了一种基于残差的远程智能监测和调控系统,由本地闭环系统和远程调控中心组成;
所述本地闭环系统装有智能执行器和智能传感器,智能传感器观测系统状态并生成需要上传至远程调控中心的残差,智能执行器用于状态和残差联合反馈;
所述远程调控中心基于本地闭环系统上传的残差信息,获取本地系统的所有信息,借助阈值法和自适应法对上传的残差进行分析,用于对本地故障的远程检测和诊断,根据故障情况实时调控本地系统的智能执行机构。
所述的本地闭环系统如下:
其中,x(k)∈Rn是系统的状态变量,u(k)∈Rm是系统的时域控制输入,ω(k)∈Rn是系统的外部未知输入,y(k)∈Rs是系统的输出,θ(k)=diag{θ11(k),…θnn(k)}∈Rn×n(θ11(k),…θnn(k)∈[0,1])是系统执行器乘性故障,若对角线上某个元素为1,则表示当前时刻相应通道没有发生乘性故障,否则表示该通道发生乘性故障,A、B、C为适维矩阵;
进一步地,所述用于观测状态和生成残差的智能传感器如下:
其中,是系统的状态估计,系统的输出估计,r(k)∈Rs是时域残差信号,F∈Rm×n、L∈Rn×s分别是反馈控制增益和观测器增益,需要满足A+BF和A-LC稳定,Q是残差反馈增益,其选择需要满足整体系统稳定。
所述远程调控中心获取本地闭环系统所有信息的核表示法如下:
其中,r(z)∈Rs是频域残差信号,u(z)∈Rm是系统的频域控制输入,y(z)∈Rs是系统的频域输出,是残差信号r(z)到输出信号y(z)的传递函数,是残差反馈信号-Qr(z)到输出信号y(z)的传递函数,X(z)、Y(z)的选择应满足贝左特等式。
所述远程调控中心对残差进行分析来实现本地系统故障检测和诊断的阈值法和自适应法分别如下:
所述远程调控中心实时调控本地系统智能执行机构的LQR方法如下:
其中,[0,t0]表示系统的正常运行时间段,t0是远程调控中心检测到本地闭环系统发生故障的时刻,t1是远程调控中心向本地闭环系统传输更新数据的时刻,R0、R1均为对称正定矩阵,对称正定矩阵P0、P1可分别通过离散Riccati方程和得到,Q0、Q1均为对称非负定矩阵;
进一步地,衡量系统在各个时间段内性能的二次型评价指标如下:
其中,J表示二次型性能指标,xⅠ(k)、xⅡ(k)、xⅢ(k)、uⅠ(k)、uⅡ(k)、uⅢ(k)分别表示系统在正常运行、发生故障未处理、发生故障处理后三种状态下的系统状态变量和控制输入。
与现有技术相比,本发明的有益效果为:
1)本发明的系统通过建立远程调控中心对本地闭环系统进行健康管理,来及时在线更新故障系统中的关键参数,以此避免本地闭环系统因故障而出现的失稳现象,从而保证整体系统的安全性和可靠性。
2)本地闭环系统中的智能传感器和智能执行器可以根据远程调控中心的命令自主测量数据、上传数据、执行调整动作,这极大的提高了系统的智能化程度。
3)本发明中的本地闭环系统中的反馈由状态和残差联合反馈组成,系统不仅对外部扰动具有较好的鲁棒性,还可以保持较好的控制性能。
4)本发明中的本地闭环系统向远程调控中心传输的残差信息,一方面可以用来获取系统所有信息,另一方面可以被用于故障检测,来实时调控智能执行器,以此保证整体系统的安全性与可靠性。
5)本发明中的残差信息作为本地闭环系统与远程调控中心通信的关键数据,因其数值小,占用的带宽较小,故而不会对数据通信带来传输压力。
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为本发明的基于残差的远程智能监测和调控系统框架图。
图2为本发明的远程调控中心获取的暖通空调系统四个房间的实时温度差输出信号曲线图。
图3为本发明的远程调控中心获取的暖通空调系统四个房间的风阀开度差输入信号曲线图。
图4为本发明的故障检测图。
图5为本发明的系统正常和故障情况下的性能变化图。
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。
参见图1至图5,本发明提供其技术方案为,本发明提供了一种基于残差的远程智能监测和调控系统,本地闭环系统装有智能执行器和智能传感器,智能传感器观测系统状态并生成需要上传至远程调控中心的残差,智能执行器具备状态和残差联合反馈能力;
本地闭环系统如下:
其中,x(k)∈Rn是系统的状态变量,u(k)∈Rm是系统的时域控制输入,ω(k)∈Rn是系统的外部未知输入,y(k)∈Rs是系统的输出,θ(k)=diag{θ11(k),…θnn(k)}∈Rn×n(θ11(k),…θnn(k)∈[0,1])是系统执行器乘性故障,若对角线上某个元素为1,则表示当前时刻相应通道没有发生乘性故障,否则表示该通道发生乘性故障,A、B、C为适维矩阵;
进一步的,用于观测状态和生成残差的智能传感器如下:
其中,是系统的状态估计,系统的输出估计,r(k)∈Rs是时域残差信号,F∈Rm×n、L∈Rn×s分别是反馈控制增益和观测器增益,需要满足A+BF和A-LC稳定,Q是残差反馈增益,其选择需要满足整体系统稳定。
远程调控中心根据核表示法获取本地系统的所有信息包括状态、输出和控制等;
远程调控中心获取本地闭环系统所有信息的核表示法如下:
其中,r(z)∈Rs是频域残差信号,u(z)∈Rm是系统的频域控制输入,y(z)∈Rs是系统的频域输出,是残差信号r(z)到输出信号y(z)的传递函数,是残差反馈信号-Qr(z)到输出信号y(z)的传递函数,X(z)、Y(z)的选择应满足贝左特等式。
远程调控中心借助阈值法和自适应法对上传的残差进行分析可实现对本地故障的远程检测和诊断;
远程调控中心对残差进行分析来实现本地系统故障检测和诊断的阈值法和自适应法分别如下:
远程调控中心根据故障情况实时调控本地系统的智能执行机构。
远程调控中心实时调控本地系统智能执行机构的LQR方法如下:
其中,[0,t0]表示系统的正常运行时间段,t0是远程调控中心检测到本地闭环系统发生故障的时刻,t1是远程调控中心向本地闭环系统传输更新数据的时刻,R0、R1均为对称正定矩阵,对称正定矩阵P0、P1可分别通过离散Riccati方程和得到,Q0、Q1均为对称非负定矩阵;
进一步的,衡量系统在各个时间段内性能的二次型评价指标如下:
其中,J表示二次型性能指标,xⅠ(k)、xⅡ(k)、xⅢ(k)、uⅠ(k)、uⅡ(k)、uⅢ(k)分别表示系统在正常运行、发生故障未处理、发生故障处理后三种状态下的系统状态变量和控制输入。
本发明在MatlabR2016b环境下,以由分布在同一楼层四个房间组成的暖通空调系统为例,对本发明所设计的系统进行验证,具体系统参数如下:
其中,状态变量x(k)表示四个房间的温度差,输出向量y(k)表示对相应变化量的测量值,房间的温度通过执行器风阀进行调节,u(k)为四个房间的风阀开度差,扰动d(k)表示四个房间内人员、设备产生的热量差和外部环境的温度差,θ(k)为风阀损伤故障;四个房间的初始温度差为x=[0 0 0 0]T。
假设故障发生在第二个房间,构造如下常值故障和扰动:
远程调控中心处使得A-LC稳定的观测器增益为:
使得A+Bθ(k)F稳定的反馈控制增益为:
而使得整体系统稳定的残差反馈增益为:Q=10*eye(4);
结果说明:
图1给出了一种基于残差的远程智能监测和调控系统框架图,该集成框架由本地闭环系统、远程调控中心和两者间的通信数据组成,本地闭环系统包括智能执行器、被控对象、智能传感器及状态和残差联合组成的反馈部分,其向远程调控中心传输残差信息;远程调控中心一方面基于上传的残差信息执行本地闭环系统的故障检测,另一方面实施故障诊断并通过向本地闭环系统传输更新后的系统参数来调控智能执行机构,进而保证整体故障系统的安全性和可靠性。
图2和图3分别是远程调控中心得到的暖通空调系统四个房间温度差和风阀开度差情况,该结果表明远程调控中心基于暖通空调系统上传的残差信息,成功地获取到了暖通空调系统中的所有信息。
图4给出了基于残差的故障检测图,从图中可以发现,在300s左右,第二个房间的残差评估值明显高于其它剩余所有房间的残差评估值,即远程调控中心根据本地的暖通空调系统上传的残差信息,成功地检测到了故障房间。
图5给出了暖通空调系统性能在正常、故障情况下的变化图,在0≤k≤300s内,暖通空调系统处于正常运行状态,此时的系统性能先上升,然后趋于稳定达到最优值;在300<k≤600s内,暖通空调系统处于故障运行状态,且远程调控中心还未向本地系统发送调控指令,此时的系统性能继续先上升,然后再趋于稳定;在600<k≤900s内,暖通空调系统仍然处于故障运行状态,但远程调控中心对本地系统实施了调控,此时的系统性能先下降,然后趋于稳定,且稳定值仅略高于系统性能的最优值,因此,远程调控中心不仅成功地调控了发生故障的本地闭环系统,而且还在一定程度上保证了整体系统的安全性与可靠性。
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 (2)
1.一种基于残差的远程智能监测和调控系统,其特征在于,由本地闭环系统和远程调控中心组成;
所述本地闭环系统装有智能执行器和智能传感器,智能传感器观测系统状态并生成需要上传至远程调控中心的残差,智能执行器用于状态和残差联合反馈;
所述远程调控中心基于本地闭环系统上传的残差信息,获取本地系统的所有信息,借助阈值法和自适应法对上传的残差进行分析,用于对本地故障的远程检测和诊断,根据故障情况实时调控本地系统的智能执行机构;
所述本地闭环系统如下:
其中,x(k)∈Rn是系统的状态变量,u(k)∈Rm是系统的时域控制输入,ω(k)∈Rn是系统的外部未知输入,y(k)∈Rs是系统的时域输出,θ(k)=diag{θ11(k),…θnn(k)}∈Rn×n(θ11(k),…θnn(k)∈[0,1])是系统执行器乘性故障,若对角线上某个元素为1,则表示当前时刻相应通道没有发生乘性故障,否则表示该通道发生乘性故障,A、B、C为适维矩阵;
所述的用于观测状态和生成残差的智能传感器如下:
其中,是系统的状态估计,系统的输出估计,r(k)∈Rs是时域残差信号,F∈Rm×n、L∈Rn×s分别是反馈控制增益和观测器增益,需要满足A+BF和A-LC稳定,Q是残差反馈增益;
所述远程调控中心获取本地闭环系统所有信息的核表示法如下:
其中,r(z)∈Rs是频域残差信号,u(z)∈Rm是系统的频域控制输入,y(z)∈Rs是系统的频域输出,是残差信号r(z)到输出信号y(z)的传递函数,是残差反馈信号-Qr(z)到输出信号y(z)的传递函数,X(z)、Y(z)的选择应满足贝左特等式;
所述远程调控中心对残差进行分析来实现本地系统故障检测和诊断的阈值法和自适应法分别如下:
其中,残差评估函数为T=||r(k)||RMS,阈值为N表示采样间隔,γ为选定的正标量,ε=0表示远程调控中心检测到了本地闭环系统故障的发生,ε=1表示远程调控中心未检测到本地闭环系统故障的发生;
定义状态估计误差为输出误差为故障估计误差为构造误差方程如下:
其中,是故障的估计,故障变化量为Δf(k)=θ(k+1)-θ(k),Γ∈Rs是自适应率,设计自适应故障估计算法为并完成故障辨识。
2.根据权利要求1所述的基于残差的远程智能监测和调控系统,其特征在于,所述远程调控中心实时调控本地系统智能执行机构的LQR方法如下:
其中,[0,t0]表示系统的正常运行时间段,t0是远程调控中心检测到本地闭环系统发生故障的时刻,t1是远程调控中心向本地闭环系统传输更新数据的时刻,R0、R1均为对称正定矩阵,对称正定矩阵P0、P1可分别通过离散Riccati方程和得到,Q0、Q1均为对称非负定矩阵;
衡量系统在各个时间段内性能的二次型评价指标如下:
其中,J表示二次型性能指标,xⅠ(k)、xⅡ(k)、xⅢ(k)、uⅠ(k)、uⅡ(k)、uⅢ(k)分别表示系统在正常运行、发生故障未调控、发生故障调控后三种状态下的系统状态变量和控制输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477857.9A CN114237201B (zh) | 2021-12-06 | 2021-12-06 | 一种基于残差的远程智能监测和调控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477857.9A CN114237201B (zh) | 2021-12-06 | 2021-12-06 | 一种基于残差的远程智能监测和调控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114237201A CN114237201A (zh) | 2022-03-25 |
CN114237201B true CN114237201B (zh) | 2023-05-02 |
Family
ID=80753289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111477857.9A Active CN114237201B (zh) | 2021-12-06 | 2021-12-06 | 一种基于残差的远程智能监测和调控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685955B (zh) * | 2022-09-28 | 2023-05-16 | 南通大学 | 一种空气处理单元的故障检测和反馈控制集成设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406290A (zh) * | 2016-11-21 | 2017-02-15 | 济南大学 | 一种车辆横向动力远程测控系统的故障检测方法 |
CN108628270A (zh) * | 2018-06-11 | 2018-10-09 | 哈尔滨工程大学 | 一种基于plc远程监控终端的优化网络控制装置与方法 |
CN109977627A (zh) * | 2019-05-10 | 2019-07-05 | 江南大学 | 一种网络化多传感器融合故障检测方法 |
CN112199888A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 |
-
2021
- 2021-12-06 CN CN202111477857.9A patent/CN114237201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406290A (zh) * | 2016-11-21 | 2017-02-15 | 济南大学 | 一种车辆横向动力远程测控系统的故障检测方法 |
CN108628270A (zh) * | 2018-06-11 | 2018-10-09 | 哈尔滨工程大学 | 一种基于plc远程监控终端的优化网络控制装置与方法 |
CN109977627A (zh) * | 2019-05-10 | 2019-07-05 | 江南大学 | 一种网络化多传感器融合故障检测方法 |
CN112199888A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
刘洋 ; .乘性故障对开闭环系统故障诊断性能的影响.山东大学学报(工学版).(第05期), * |
孙淑光 ; 周琪 ; .基于残差决策的自动飞行控制系统远程实时故障诊断.计算机应用.(第05期), * |
Also Published As
Publication number | Publication date |
---|---|
CN114237201A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Low-complexity tracking control of strict-feedback systems with unknown control directions | |
Yang et al. | Adaptive fuzzy fault-tolerant control for Markov jump systems with additive and multiplicative actuator faults | |
Fan et al. | Event-based fuzzy adaptive fault-tolerant control for a class of nonlinear systems | |
Zhang et al. | Bipartite fixed-time output consensus of heterogeneous linear multiagent systems | |
Liu et al. | Robust distributed MPC for load frequency control of uncertain power systems | |
Sui et al. | Observer-based fuzzy adaptive prescribed performance tracking control for nonlinear stochastic systems with input saturation | |
Liu et al. | Robust adaptive tracking control for nonlinear systems based on bounds of fuzzy approximation parameters | |
Stoustrup | Plug & play control: Control technology towards new challenges | |
US7945339B2 (en) | Non-periodic control communications in wireless and other process control systems | |
JP6356978B2 (ja) | 無線又は間欠プロセス計測値を伴うプロセス制御システムにおける予測手段の使用 | |
Namadchian et al. | Adaptive neural tracking control of switched stochastic pure-feedback nonlinear systems with unknown Bouc–Wen hysteresis input | |
CN114237201B (zh) | 一种基于残差的远程智能监测和调控系统 | |
Li et al. | An improved event-triggered communication mechanism and L∞ control co-design for network control systems | |
Shen et al. | Extended dissipative filtering for persistent dwell-time switched systems with packet dropouts | |
Zhang et al. | Event-triggered fuzzy flight control of a two-degree-of-freedom helicopter system | |
Zheng et al. | Semiglobal periodic event-triggered output regulation for nonlinear multiagent systems | |
Liu et al. | Fault-tolerant control for TS fuzzy systems with an aperiodic adaptive event-triggered sampling | |
Chen et al. | Tracking control of self-restructuring systems: A low-complexity neuroadaptive PID approach with guaranteed performance | |
Li et al. | Event-Triggered Output-Feedback Adaptive Control of Interconnected Nonlinear Systems: A Cyclic-Small-Gain Approach | |
Hensel et al. | An adaptive PI controller for room temperature control with level-crossing sampling | |
Cui et al. | Adaptive fuzzy output-feedback fault-tolerant tracking control of a class of uncertain nonlinear switched systems | |
OOI et al. | Study of adaptive model predictive control for cyber-physical home systems | |
CN114253133A (zh) | 基于动态事件触发机制的滑模容错控制方法及装置 | |
Seem et al. | On-line monitoring and fault detection of control system performance | |
Wang et al. | Non-fragile Reliable Passive Control for Switched Systems Using an Event-triggered Scheme. |
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 |