CN114859847B - 一种适用于互联非线性系统的可靠优化控制系统及方法 - Google Patents
一种适用于互联非线性系统的可靠优化控制系统及方法 Download PDFInfo
- Publication number
- CN114859847B CN114859847B CN202210235024.XA CN202210235024A CN114859847B CN 114859847 B CN114859847 B CN 114859847B CN 202210235024 A CN202210235024 A CN 202210235024A CN 114859847 B CN114859847 B CN 114859847B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- trigger
- nonlinear system
- representing
- interconnected
- 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
- 238000000034 method Methods 0.000 title claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 230000008878 coupling Effects 0.000 abstract description 7
- 238000010168 coupling process Methods 0.000 abstract description 7
- 238000005859 coupling reaction Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003313 weakening 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]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种适用于互联非线性系统的可靠优化控制系统,包括互联非线性系统综合控制模型构建模块,接收模块,第一触发器,观测器,第二触发器,滑模控制器和控制器,利用观测器对互联非线性系统各子系统状态进行估计,利用第一触发器和第二触发器确定传感器输出通道触发值和控制器触发值,进而得到互联非线性系统各子系统实际控制输入信号,并将其发送给执行器。本发明同时考虑到了执行器攻击、外接干扰以及各子系统之间耦合影响,能够在一定程度上增强控制系统可靠性,实现对轨迹跟踪的有效控制,并且减少了系统信息传输量以及控制成本。
Description
技术领域
本发明属于具有执行器攻击以及外部扰动的一种基于观测器-事件触发的可靠优化控制技术,更为具体地讲,涉及受到执行器攻击以及外界扰动下一类互联非线性系统的建模、系统基于触发机制的分散式观测器设计、优化控制器设计、执行器-传感器通道事件触发机制的设计、跟踪性能稳定性的证明。
背景技术
随着工业自动化程度不断提高,现代工业系统中包含越来越多的非线性子单元,为完成复杂的工业控制目标,往往需要集成多个互联的子系统。如网络通讯系统,信息物理融合系统以及电网系统等。该类系统属于典型的非线性大系统,在连接过程中涉及到多状态多物理耦合特性的连接。然而,由于各个子系统特性各异,连接机理复杂,这给系统的控制也带来了诸多挑战。一方面,由于互联子系统较多,干扰进入系统渠道增多,使得系统容易受到外界干扰的影响;另一方面,系统容易发生攻击,如执行器攻击,同样影响系统的工作性能。
最近,为了节约系统的传输资源,研究者设计了基于事件的控制方法,该类控制方法在非线性系统的应用成为了新的技术研究方向。S.Tong等研究了基于模糊神经网络的互联非线性系统自适应状态反馈控制问题(S.Tong,Y.Li,Y.Liu,Observer-Based AdaptiveNeural Networks Control for Large-Scale Interconnected Systems WithNonconstant Control Gains,IEEE Trans.Neural Netw.Learn.Syst.,32(4)(2021)1575-1585)。J.Zhang等探讨研究了系统在出现传感器故障后互联非线性系统的控制方法(J.Zhang,Z.Xiang,Event-Triggered Adaptive Neural Network Sensor FailureCompensation for Switched Interconnected Nonlinear Systems With UnknownControl Coefficients,IEEE Transactions on Neural Networks and LearningSystems,IEEE Trans.Neural Netw.Learn.Syst.,(2021),doi:10.1109/TNNLS.2021.3069817)。L.Cui等针对互联非线性系统的优化问题,设计了基于自调节的控制方法(L.Cui,Y.Zhang,X.Wang,X.Xie,Event-triggered distributed self-learningrobust tracking control for uncertain nonlinear interconnected systems,Appl.Math.Comput.,305(2021),125871,doi.org/10.1016/j.amc.2020.125871)。
上述针对互联非线性系统干扰问题进行的控制研究,进行系统触发条件设计时,往往基于输入值设定,少有基于系统的控制性能的触发条件的研究。此外,在设计系统控制器时,往往假设系统的状态是可测的,该假设增强了系统保守性。
发明内容
本发明的目的在于克服现有技术的不足,针对互联非线性系统出现的执行器攻击以及干扰问题,提供一种适用于互联非线性系统的可靠优化控制系统及方法,基于观测器-事件触发,并补偿执行器攻击以及外扰动对系统的影响,在实现互联非线性系统的操作跟踪控制能力的同时节约系统的通讯资源。
为了达到上述目的,本发明采取以下技术方案来实现。
本发明所针对的是控制机器人按照期望设计运行的互联非线性系统。如图1所示,互联非线性系统包括两个以上的子系统,由控制器将各子系统的控制信号发送给相应的子系统;各子系统由执行器依据接收的控制输入信号执行操作,使机器人按照期望设计运行。并由相应的传感器实时采集子系统部分状态数据。
本发明的发明构思包括:
(1)建立一类互联非线性系统在受到执行器攻击以及外界干扰影响下跟踪控制模型。
(2)设计一种新的基于输出触发信息的分散式积分观测器,用于实现对该类非线性系统的状态以及总干扰的估计,在针对干扰信息估计的过程中,引入了输出积分项,且无需干扰信息的上界值。
(3)设计一种滑模控制器,其中非连续部分用于滑模面趋近,并补偿干扰;连续部分保证在达到滑模面后的优化控制,减少系统的控制能量。
(4)设计一种新的事件触发机机制,在传感器通道以及控制器通道分别设计了基于观测信息的事件触发机制,主要用于减少控制器的信息传输值,并对芝诺现象作出说明。
(5)根据设计的观测器输出情况,设计优化目标函数,利用自适应动态规划对优化控制器进行求解;并基于学习方法,设计权重更新方式。
基于上述发明构思,本发明提供的适用于互联非线性系统的可靠优化控制系统,其包括互联非线性系统综合控制模型构建模块,接收模块,第一触发器,观测器,第二触发器,滑模控制器和控制器:
互联非线性系统综合控制模型构建模块,用于构建兼顾执行器攻击和外界干扰因素以及互联非线性系统各子系统之间耦合的互联非线性系统综合控制模型;
接收模块,用于实时接收互联非线性系统各子系统输出信息;
第一触发器,用于判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值发送给观测器;
观测器,用于基于构建的互联非线性系统综合控制模型,并依据传感器输出通道触发值,对互联非线性系统各子系统实际状态及干扰信号进行估计;
第二触发器,用于判断互联非线性系统各子系统控制输出触发条件是否满足;
滑模控制器,用于基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系统控制自适应参数;
控制器,用于依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
本发明设计一种基于事件触发的容错可靠控制方法,在保证机器人系统跟踪能力的同时,有效减少了系统传输负载,并尽量减少故障干扰对系统的影响。
本发明中,利用构建模块对互联非线性系统综合控制模型构建过程中,考虑了互联非线性系统受到执行器攻击以及外界干扰因素的影响,并考虑了各子系统状态之间的耦合。
以下具有N个子系统的互联非线性系统为例,对构建模块的构建过程进行解释。其中第i个子系统为如下形式:
其中,xi(t)∈Rn(i=1,...,N)表示互联非线性系统第i个子系统的状态参量,表示xi(t)的一阶导数,n表示当前子系统状态xi的维数;fi(xi(t))∈Rn表示第i个子系统的未知光滑的非线性函数;ξi(t)∈Rd表示来自互联非线性系统的外界干扰;ufi(t)∈Rm表示第i个子系统受到执行器攻击下的控制输入信号,yi(t)表示第i个子系统的输出信息;Ai,Bi,Ei和Ci分别表示互联非线性系统输入输出矩阵;表示第i个子系统和第j个子系统的连接矩阵;Θi表示与第i个子系统相邻的其余系统集合。
本发明中,考虑互联非线性系统执行器攻击模型为:
其中,uai(t)∈Rm攻击者登陆后的由设计者设计的实际控制输入信号,m表示uai(t)的维数;αfi(t)表示攻击指示因子,αfi(t)∈{0,1},如,当αfi(t)=1表示指示执行器攻击发生,否则不发生;表示攻击者的攻击能量,为已知的上界函数。由于攻击总是能量有界的,假设其中βai(xi,t)表示攻击能量的上界,为一已知函数,实际中假设该函数足够大即可。
对于某非线性函数,fi(xi(t)),本发明基于神经网络获得。基于神经网络得到如下关系式:fi(xi(t))=χi *Tψ(xi(t))+θi *(xi(t)),||θi *(xi(t))||<θc,其中,xi(t)∈U表示输入向量,U表示输入向量紧凑集χi *表示一权重矩阵,θi *(xi(t))表示趋近误差,θc表示θi *(xi(t))的上界。ψ(xi(t))=[ψ1(xi(t)),...,ψj(xi(t)),...ψl(xi(t))]T表示径向基向量,ψj(xi(t))选择如下形式
其中Dj和υj分别表示第j个神经元的中心和宽度,l表示神经元个数。
因此考虑执行器攻击后的互联非线性系统综合控制模型可以表示为:
上述接收模块,用于实时接收各子系统输出信息,即为各子系统传感器采集的子系统可测量状态数据,即yi(t)所对应的信息。
上述第一触发器,其设计为自适应触发机制,传感器输出通道触发条件为:
ey(tkh+νh)TΩkiey(tkh+νh)≤μs(tkh+νh)yi(tkh)TΩkiyi(tkh) (5)
式中,Ωki表示权重矩阵;{tk}表示第一触发序列,h表示采样周期;ey(tkh+νh)=yi(tkh+νh)-yi(tkh),yi(tkh)表示第i个子系统触发时刻tkh对应的触发值(即触发时刻tkh对应的子系统输出信息),yi(tkh+νh)表示第i个子系统触发时刻tkh+νh对应的触发值,ν∈M,M表示正整数,μs(tkh+νh)∈[μs1,μs2],0≤μs1≤μs2<1,其中ma>0,mb>1表示两个阈值参数。
本发明设计的观测器是一种新的基于输出触发信息(即满足触发条件时刻的触发值)的分散式积分观测器,其建立在互联非线性系统综合控制模型基础上,可以实现对互联非线性系统状态以及干扰信息的估计,能够保证互联非线性系统可靠的跟踪性能。在针对干扰信息估计的过程中,无需干扰信息的上界值;本发明通过设置的积分器引入了输出积分项yζi(t),增加观测精度。其中,为减少变量观测时系统的传输量,采用第一触发器满足触发条件的触发值代替原有信号进行设计。此外,为补偿观测误差以及采用触发值为观测器设计造成的影响,本发明中观测器设计了基于记忆的观测误差补偿器
基于上述分析,该观测器以传感器输出通道触发值作为输入,并在互联非线性系统综合控制模型基础上引入由观测器输出值和传感器输出通道触发值构建的积分项;具体设计如下:
其中和表示对xi(t)、xj(t)、yi(t)和χi *的估计,Ldi∈Rn×p,Lmi∈Rn×q和Lζi∈Rq×p表示观测器增益,p和q表示观测器增益对应的维数;yi(tkh)表示第i个子系统传感器输出通道在tkh时刻的触发值,表示基于记忆的补偿项:
其中,αζ>0表示一个标量。
经过上述分析,本发明中,互联非线性系统中第i个子系统总干扰估计如下:
因此,基于本发明设计的观测器,可以对互联非线性系统实际状态和互联非线性系统干扰信号进行估计得到互联非线性系统各子系统实际状态估计结果(包括xi(t)、yi(t)、χi *)和互联非线性系统各子系统的干扰信号估计结果并将估计结果发送给控制器。
本发明中,第i个子系统控制输出触发条件为:
式中, eir q(t)=eir(t)-eir(tq),eir(t)=yi(t)-yir(t)表示第i个子系统t时刻输出值yi(t)与期望值yir(t)的差值,yir(t)表示第i个子系统期望输出值,同理eir(tq)表示第i个子系统tq时刻输出值yi(tq)与期望值yir(tq)的差值;εs{s=a,b,c,d,e},rg{g=a,b,c,d}表示大于零的正数;{tq}为第二触发时间序列。
对于第i个子系统触发条件的芝诺现象分析:
进一步可以推断得到:
上述滑模控制器,设计目的在于提供一种可实现自适应容错可靠控制策略。本发明设计的控制器包括两部分:连续控制输入部分uami(t)和非连续控制输入部分uani(t)。非连续控制输入部分用于系统趋近滑模面,提供自适应参数实现对互联非线性系统干扰补偿;连续控制输入部分用于保持趋近后系统保持稳定,保证在达到滑模面后的优化控制,减少系统的控制能量。
具体的,对于第i个子系统的滑模面对应的切换函数si(t)设计为:
其中eir(t)=yi(t)-yir(t)表示第i个子系统输出值yi(t)与期望值yir(t)的差值;yir(t)表示第i个子系统期望输出值;uami(t)表示第i个子系统在t时刻的连续控制输入信号部分,表示一选择矩阵,使得为非奇异。
非连续控制输入部分的控制器设计为:
对跟踪性能的分析,主要体为滑模面的有限时间可到达性,在此当中,为保证有限时间到达,本发明进一步引入了参数自适应更新 表示的一阶导数。证明可表达为:设计选择李亚普洛夫函数为: 表示ηs的估计。经证明即李亚普洛夫函数的导数小于零且求解出系统状态的收敛时间为有限,表明滑模面是有限时间可到达的。
本发明设计的控制器为基于事件触发的控制器,引入输出触发值代替传统观测器设计中的输出值,在保证观测器稳定的条件下同时减少了观测器稳定需要的信息传输量,即用相对较少的输出量实现了有效的变量观测,从而在保证机器人跟踪能力的同时,有效减少了系统传输负载,并尽量减少故障干扰对系统的影响。
本发明根据设计的观测器输出情况,进一步设计了优化目标函数,利用自适应动态规划对优化控制器进行求解,得到连续控制部分;求解过程中基于学习的方法,并设计了权重更新方式。具体如下:
设计优化目标函数为:
优化连续控制输入部分设计为:
权重更新方式设计为:
因此,最终控制设计为:
其中,将总干扰的估计引入控制器作为补偿部分,目的在于补偿由触发值代替连续值对系统的影响。
最后由各子系统的执行器按照实际控制输入信号uai(tq)来进行操作,控制机器人按照期望设计运行。
本发明进一步提供了一种适用于互联非线性系统的可靠优化控制方法,其利用上述控制系统按照以下步骤进行:
S1利用接收模块实时接收互联非线性系统各子系统输出信息;
S2利用第一触发器判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据各子系统输出信息和满足第一触发器触发条件时刻的传感器输出通道触发值,对互联非线性系统各子系统实际状态及总干扰信息进行估计;
S4利用第二触发器判断互联非线性系统各子系统控制输出触发条件是否满足;
S5利用滑模控制器基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系控制自适应参数;
S6利用控制器依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
本发明提供的适用于互联非线性系统的可靠优化控制系统及方法具有以下有益效果:
(1)本发明引入位于传感器输出通道的输出触发机制和位于控制器端的输入触发机制,利用触发值代替传统设计中的连续值,一方面在保证观测器稳定的条件下同时减少了观测器稳定需要的信息传输量(即用相对较少的输出量实现了有效的变量观测),另一方面有效减少了控制器传输负载,从而极大减少了系统信息传输量以及控制成本;
(2)本发明构建的互联非线性系统综合控制模型构建模块,同时考虑到了执行器攻击、外接干扰以及各子系统之间耦合影响,能够在一定程度上增强控制系统可靠性,实现对操作跟踪的有效控制;
(3)本发明进一步通过在观测器中引入输出积分项和补偿项,能够在增加观测器自由度的同时,提高观测器的观测精度,并尽量减少故障干扰对系统的影响。
附图说明
图1为互联非线性系统框架示意图。
图2为适用于互联非线性系统的可靠优化控制系统原理示意图。
图3为互联非线性系统仿真控制结果;(a)状态参量1的控制结果,(b)状态参量2的控制结果,(c)状态参量3的控制结果,(d)状态参量4的控制结果,x11、x21、x31分别表示三个子系统的状态参量1,x12、x22、x32分别表示三个子系统的状态参量2,x13、x23、x33分别表示三个子系统的状态参量3,x14、x24、x34分别表示三个子系统的状态参量4。
具体实施方式
结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,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的前提下所得到的所有其它实施例,都属于本发明。
本发明针对互联非线性系统,提供一种控制系统,以获得可靠优化控制率。如图2所示,首先建立兼顾执行器攻击、外界干扰以及互联非线性系统各子系统之间耦合的互联非线性系统综合控制模型;其次设计一种分散式综合观测器,能够实现对互联非线性系统状态及集成干扰的估计;紧接着设计了一种自适应分散式滑模控制器以补偿干扰对系统的影响;为了节约系统的传输资源,进一步设计了系统输入输出的事件触发机制,其中输出触发机制为自适应调节,作用于观测器设计环节,输入触发机制以系统观测信息为基础,作用于控制器设计环节;最后,设计了一种新的基于事件触发机制的优化控制器,根据观测器输出、滑模函数设计以及触发机制,获得最终各子系统实际控制输入信号,能够在保证互联非线性系统输出跟踪能力的同时有效减少系统的信息输出量,并证明了控制器的跟踪性能。本发明能够有效解决一类互联非线性系统在受到执行器攻击以及外界扰动情况下,系统有效的跟踪控制。
实施例1
本实施例提供的适用于互联非线性系统的可靠优化控制系统,如图2所示,其包括互联非线性系统综合控制模型构建模块,接收模块,第一触发器,观测器,第二触发器,滑模控制器和控制器。
上述互联非线性系统综合控制模型构建模块,用于构建兼顾执行器攻击和外界干扰因素以及互联非线性系统各子系统之间耦合的互联非线性系统综合控制模型。
本实施例中,基于前面分析,所构建的互联非线性系统综合控制模型如下所示:
其中,xi(t)∈Rn(i=1,...,N)表示互联非线性系统第i个子系统的状态参量,表示xi(t)的一阶导数,n表示当前子系统状态xi的维数;ψ(xi(t))表示径向基向量,θi *(xi(t))表示趋近误差,χi *表示一权重矩阵,ψ(xi(t))、θi *(xi(t))和χi *通过前面给出的神经网络确定;αfi(t)表示攻击指示因子,αfi(t)∈{0,1},如,当αfi(t)=1表示指示执行器攻击发生,否则不发生;表示攻击者的攻击能量;ξi(t)∈Rd表示来自互联非线性系统的外界干扰;yi(t)分别表示第i个子系统的输出信息;Ai,Bi,Ei和Ci分别表示互联非线性系统输入输出矩阵;表示第i个子系统和第j个子系统的连接矩阵;Θi表示与第i个子系统相邻的其余系统集合。
上述接收模块,用于实时接收各子系统输出信息,即为各子系统传感器采集的子系统可测量状态数据,即yi(t)所对应的信息。
上述第一触发器,用于判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值发送给观测器。
本实施例中,所设计的传感器输出通道触发条件为:
ey(tkh+νh)TΩkiey(tkh+νh)≤μs(tkh+νh)yi(tkh)TΩkiyi(tkh)
式中,Ωki表示权重矩阵;{tk}表示第一触发序列,h表示采样周期;ey(tkh+νh)=yi(tkh+νh)-yi(tkh),yi(tkh)表示第i个子系统触发时刻tkh对应的触发值(即触发时刻tkh对应的子系统输出信息),yi(tkh+νh)表示第i个子系统触发时刻tkh+νh对应的触发值,ν∈M,M表示正整数,μs(tkh+νh)∈[μs1,μs2],0≤μs1≤μs2<1,其中ma>0,mb>1表示两个阈值参数。
当第一触发器tkh时刻满足触发条件时,第一触发器将tkh时刻的各子系统输出信息yi(tkh)作为传感器输出通道触发值发送给观测器。
上述观测器,用于基于构建的互联非线性系统综合控制模型,并依据传感器输出通道触发值,对互联非线性系统各子系统实际状态及干扰信号进行估计。
本实施例中,观测器以传感器输出通道触发值作为输入,并在互联非线性系统综合控制模型基础上结合互联非线性系统其它信息,同时利用积分器引入由观测器输出值和传感器输出通道触发值构建的积分项,将观测器具体设计为:
其中和表示对xi(t)、xj(t)、yi(t)和χi *的估计,Ldi∈Rn×p,Lmi∈Rn×q和Lζi∈Rq×p表示观测器增益,p和q表示观测器增益对应的维数;yi(tkh)表示第i个子系统传感器输出通道在tkh时刻的触发值,表示基于记忆的补偿项:
其中表示对γi的估计,Pe=diag{P1,...,Pi,...PN},Pi表示正定对称矩阵,Le表示一待选矩阵;Ldζ=[Ldi -Lζi]T;eζi(t)=[exi(t)yζi(t)]T;I表示单位矩阵,表示一中间变量,
互联非线性系统中第i个子系统总干扰估计如下:
其中,βi>0表示一大于零的标量。
因此,基于本发明设计的观测器,可以对互联非线性系统实际状态和互联非线性系统干扰信号进行估计得到互联非线性系统各子系统实际状态估计结果(包括xi(t)、yi(t)、χi *)和互联非线性系统各子系统的干扰信号估计结果并将估计结果发送给控制器。
上述第二触发器,用于判断互联非线性系统各子系统控制输出触发条件是否满足。
第二触发器中第i个子系统控制输出触发条件为:
式中,eir q(t)=eir(t)-eir(tq),eir(t)=yi(t)-yir(t)表示第i个子系统t时刻输出值yi(t)与期望值yir(t)的差值,yir(t)表示第i个子系统期望输出值,同理eir(tq)表示第i个子系统tq时刻输出值yi(tq)与期望值yir(tq)的差值;εs{s=a,b,c,d,e},rg{g=a,b,c,d}表示大于零的正数;{tq}为第二触发时间序列。
当第二触发器tq时刻满足触发条件时,控制器将tq时刻的各子系统实际控制输入信号发送给执行器。最后由执行器按照实际输出控制来进行操作,控制机器人按照期望轨迹运行。
上述滑模控制器,用于基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系统控制自适应参数。
本实施例中,第i个子系统的滑模面对应的切换函数si(t)设计为:
其中eir(t)=yi(t)-yir(t)表示第i个子系统输出值yi(t)与期望值yir(t)的差值;yir(t)表示第i个子系统期望输出值;uami(t)表示第i个子系统在t时刻的连续控制输入信号部分,表示一选择矩阵,使得可逆即可。
上述控制器,用于依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
本实施例中控制器分为两部分:非连续控制部分uani(tq)和连续控制部分uami(tq)。连续控制部分通过对优化目标函数求解得到。
本实施例中给出的优化目标函数为:
因此,最终控制器具体设计为:
其中,uai(t)表示触发时刻tq控制器发送给第i个子系统执行器的实际控制输入信号,uani(tq)表示非连续控制输入信号部分,表示连续控制输入信号部分,即当lα=tq时刻连续控制部分产生的连续控制输入信号; 表示激活函数,这里采用的是sigmoid函数;表示权重;为一自选矩阵使得可逆即可,Ri表示对称正定矩阵。
实施例2
本实施例提供了一种适用于互联非线性系统的可靠优化控制方法,利用实施例1给出的适用于互联非线性系统的可靠优化控制系统,按照以下步骤进行:
S1利用接收模块实时接收互联非线性系统各子系统输出信息;
S2利用第一触发器判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据各子系统输出信息和满足第一触发器触发条件时刻的传感器输出通道触发值,对互联非线性系统各子系统实际状态及总干扰信息进行估计;
S4利用第二触发器判断互联非线性系统各子系统控制输出触发条件是否满足;
S5利用滑模控制器基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系控制自适应参数;
S6利用控制器依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
应用例
本应用例主要针对机器人的轨迹跟踪。本应用例针对的机器人包含由三个子系统构成的互联非线性系统,(即N=3),每个非线性子系统包括四个状态参量。本应用例首先设定互联非线性系统各子系统初始控制输入信号,然后使用实施例2中的步骤S1-S6依据期望轨迹(包括四个状态参量期望值y1r、y2r、y3r、y4r),通过仿真得到各子系统跟踪轨迹,仿真结果如图3所示。从图3可以看出,本发明提供的适用于互联非线性系统的可靠优化控制方法能够尽量规避执行器攻击、外接干扰以及各子系统之间耦合影响,实现对各个子系统的精准控制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种适用于互联非线性系统的可靠优化控制系统,其特征在于包括互联非线性系统综合控制模型构建模块,接收模块,第一触发器,观测器,第二触发器,滑模控制器和控制器:
互联非线性系统综合控制模型构建模块,用于构建兼顾执行器攻击和外界干扰因素以及互联非线性系统各子系统之间耦合的互联非线性系统综合控制模型;所述互联非线性系统综合控制模型如下所示:
其中,xi(t)∈Rn(i=1,...,N)表示互联非线性系统第i个子系统的状态参量,表示xi(t)的一阶导数,n表示当前子系统状态xi的维数;ψ(xi(t))表示径向基向量,θi *(xi(t))表示趋近误差,χi *表示一权重矩阵,ψ(xi(t))、θi *(xi(t))和χi *通过神经网络确定;uai(t)∈Rm表示攻击者登陆后的由设计者设计的实际控制输入信号;αfi(t)表示攻击指示因子,αfi(t)∈{0,1},如,当αfi(t)=1表示指示执行器攻击发生,否则不发生;θai(xi,t)表示攻击者的攻击能量;ξi(t)∈Rd表示来自互联非线性系统的外界干扰;yi(t)分别表示第i个子系统的输出信息;Ai,Bi,Ei和Ci分别表示互联非线性系统输入输出矩阵;表示第i个子系统和第j个子系统的连接矩阵;Θi表示与第i个子系统相邻的其余系统集合;
接收模块,用于实时接收互联非线性系统各子系统输出信息;
第一触发器,用于判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值发送给观测器;
观测器,用于基于构建的互联非线性系统综合控制模型,所述观测器以传感器输出通道触发值作为输入,并在机器人轨迹跟踪控制模型基础上利用积分器引入由观测器输出值和传感器输出通道触发值构建的积分项,对互联非线性系统各子系统实际状态及干扰信号进行估计;所述观测器具体设计为:
其中和表示对xi(t)、xj(t)、yi(t)和χi *的估计,ψ(xi(t))表示径向基向量,Ldi∈Rn×p,Lmi∈Rn×q和Lζi∈Rq×p表示观测器增益,p和q表示观测器增益对应的维数;yi(tkh)表示第i个子系统传感器输出通道在tkh时刻的触发值,表示基于记忆的补偿项:
其中表示对γi的估计,Pe=diag{P1,...,Pi,...PN},Pi表示正定对称矩阵,Le表示一待选矩阵; Ldζ=[Ldi -Lζi]T;eζi(t)=[exi(t) yζi(t)]T;I表示单位矩阵,βi>0表示一大于零的标量;
第二触发器,用于判断互联非线性系统各子系统控制输出触发条件是否满足;
滑模控制器,用于基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系统控制自适应参数;
控制器,用于依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
4.根据权利要求3所述的适用于互联非线性系统的可靠优化控制系统,其特征在于,所述第二触发器中第i个子系统控制输出触发条件为:
或者Θq(t)≤exp(-rc)+εd或者eir q(t)≤exp(-rd)+εe
7.一种适用于互联非线性系统的可靠优化控制方法,其特征在于,利用权利要求1至6任一项所述的适用于互联非线性系统的可靠优化控制系统,按照以下步骤进行:
S1利用接收模块实时接收互联非线性系统各子系统输出信息;
S2利用第一触发器判断互联非线性系统各子系统传感器输出通道触发条件是否满足,并以满足触发条件时刻互联非线性系统各子系统输出信息作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据各子系统输出信息和满足第一触发器触发条件时刻的传感器输出通道触发值,对互联非线性系统各子系统实际状态及总干扰信息进行估计;
S4利用第二触发器判断互联非线性系统各子系统控制输出触发条件是否满足;
S5利用滑模控制器基于互联非线性系统各子系统的滑模面对应的切换函数得到各子系控制自适应参数;
S6利用控制器依据观测器得到的互联非线性系统各子系统实际状态及干扰信号估计结果及各子系统控制自适应参数,得到满足各子系统控制输出触发条件时刻的实际控制输入信号,并将其发送给执行器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235024.XA CN114859847B (zh) | 2022-03-11 | 2022-03-11 | 一种适用于互联非线性系统的可靠优化控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235024.XA CN114859847B (zh) | 2022-03-11 | 2022-03-11 | 一种适用于互联非线性系统的可靠优化控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114859847A CN114859847A (zh) | 2022-08-05 |
CN114859847B true CN114859847B (zh) | 2023-05-09 |
Family
ID=82628200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210235024.XA Active CN114859847B (zh) | 2022-03-11 | 2022-03-11 | 一种适用于互联非线性系统的可靠优化控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859847B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149262B (zh) * | 2023-04-23 | 2023-07-04 | 山东科技大学 | 一种伺服系统的跟踪控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1420153A2 (en) * | 2002-11-13 | 2004-05-19 | General Electric Company | Adaptive model-based control systems for controlling a gas turbine |
US7454255B1 (en) * | 2003-12-09 | 2008-11-18 | Scientific Systems Company, Inc. | Methods and apparatus for safe, fault-tolerant control of complex technical systems |
CN106125550A (zh) * | 2016-07-20 | 2016-11-16 | 南京航空航天大学 | 一种高铁牵引整流器的复合故障估计与容错控制方法 |
CN106843014A (zh) * | 2017-03-24 | 2017-06-13 | 上海米度测控科技有限公司 | 用于深层测斜的具有数据采集与控制功能的测斜系统 |
CN111650835A (zh) * | 2020-06-16 | 2020-09-11 | 电子科技大学 | 一种随机跳变系统的自适应事件触发异步滑模控制方法 |
WO2020248184A1 (zh) * | 2019-06-13 | 2020-12-17 | 大连理工大学 | 一种面向航空发动机执行器故障的无扰切入容错控制方法 |
CN112711190A (zh) * | 2020-12-25 | 2021-04-27 | 四川大学 | 一种自适应容错控制器、控制设备及控制系统 |
CN113156821A (zh) * | 2021-04-16 | 2021-07-23 | 山东师范大学 | 基于虚假数据注入攻击下的非线性系统的自适应跟踪方法 |
CN113625562A (zh) * | 2021-08-04 | 2021-11-09 | 电子科技大学 | 一种基于自适应观测器的非线性系统模糊容错控制方法 |
WO2022033644A1 (de) * | 2020-08-13 | 2022-02-17 | Continental Teves Ag & Co. Ohg | Bewegungssteuerung in kraftfahrzeugen |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100522388B1 (ko) * | 2001-04-26 | 2005-10-18 | 더 보잉 캄파니 | 네트워크 버스에 의해 이벤트 트리거를 생성하기 위한시스템, 방법, 및 제어기 |
US7437201B2 (en) * | 2003-01-14 | 2008-10-14 | Cullen Christopher P | Electric motor controller |
US20050114023A1 (en) * | 2003-11-26 | 2005-05-26 | Williamson Walton R. | Fault-tolerant system, apparatus and method |
EP1938499A4 (en) * | 2005-09-19 | 2011-06-29 | Univ State Cleveland | CONTROLS, OBSERVERS AND APPLICATIONS THEREOF |
US10061275B2 (en) * | 2014-07-29 | 2018-08-28 | Linestream Technologies | Optimized parameterization of active disturbance rejection control |
JP7346401B2 (ja) * | 2017-11-10 | 2023-09-19 | エヌビディア コーポレーション | 安全で信頼できる自動運転車両のためのシステム及び方法 |
US10805329B2 (en) * | 2018-01-19 | 2020-10-13 | General Electric Company | Autonomous reconfigurable virtual sensing system for cyber-attack neutralization |
WO2020142984A1 (zh) * | 2019-01-10 | 2020-07-16 | 大连理工大学 | 一种基于误差区间观测器的航空发动机主动容错控制方法 |
CN110673474B (zh) * | 2019-09-17 | 2022-10-28 | 浙江工业大学 | 一种基于事件触发的网络化运动控制系统容侵控制方法 |
CN110789350A (zh) * | 2019-11-20 | 2020-02-14 | 电子科技大学 | 一种四驱电动汽车容错控制方法 |
CN110658724B (zh) * | 2019-11-20 | 2021-12-10 | 电子科技大学 | 一类非线性系统自适应模糊容错控制方法 |
CN113031431A (zh) * | 2019-12-09 | 2021-06-25 | 南京理工大学 | 广义系统下事件触发的网络化t-s模糊h∞控制方法 |
CN111007727A (zh) * | 2019-12-30 | 2020-04-14 | 杭州电子科技大学 | 基于自触发采样的化工工业过程故障诊断与容错控制方法 |
CN112882391B (zh) * | 2021-01-26 | 2022-05-27 | 四川大学 | 一种双端事件触发的非线性控制方法 |
-
2022
- 2022-03-11 CN CN202210235024.XA patent/CN114859847B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1420153A2 (en) * | 2002-11-13 | 2004-05-19 | General Electric Company | Adaptive model-based control systems for controlling a gas turbine |
US7454255B1 (en) * | 2003-12-09 | 2008-11-18 | Scientific Systems Company, Inc. | Methods and apparatus for safe, fault-tolerant control of complex technical systems |
CN106125550A (zh) * | 2016-07-20 | 2016-11-16 | 南京航空航天大学 | 一种高铁牵引整流器的复合故障估计与容错控制方法 |
CN106843014A (zh) * | 2017-03-24 | 2017-06-13 | 上海米度测控科技有限公司 | 用于深层测斜的具有数据采集与控制功能的测斜系统 |
WO2020248184A1 (zh) * | 2019-06-13 | 2020-12-17 | 大连理工大学 | 一种面向航空发动机执行器故障的无扰切入容错控制方法 |
CN111650835A (zh) * | 2020-06-16 | 2020-09-11 | 电子科技大学 | 一种随机跳变系统的自适应事件触发异步滑模控制方法 |
WO2022033644A1 (de) * | 2020-08-13 | 2022-02-17 | Continental Teves Ag & Co. Ohg | Bewegungssteuerung in kraftfahrzeugen |
CN112711190A (zh) * | 2020-12-25 | 2021-04-27 | 四川大学 | 一种自适应容错控制器、控制设备及控制系统 |
CN113156821A (zh) * | 2021-04-16 | 2021-07-23 | 山东师范大学 | 基于虚假数据注入攻击下的非线性系统的自适应跟踪方法 |
CN113625562A (zh) * | 2021-08-04 | 2021-11-09 | 电子科技大学 | 一种基于自适应观测器的非线性系统模糊容错控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114859847A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diao et al. | Adaptive fuzzy event-triggered control for single-link flexible-joint robots with actuator failures | |
Soriano et al. | PD control compensation based on a cascade neural network applied to a robot manipulator | |
Fang et al. | Fault diagnosis of networked control systems | |
CN108803344B (zh) | 一种基于模态切换的机器人双边遥操作对称预测控制方法 | |
CN113110059B (zh) | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 | |
CN114859847B (zh) | 一种适用于互联非线性系统的可靠优化控制系统及方法 | |
Wang et al. | Optimized adaptive finite-time consensus control for stochastic nonlinear multiagent systems with non-affine nonlinear faults | |
CN112363535A (zh) | 一种领导-跟随型多飞行器的分布式协同控制方法 | |
Ren et al. | Global adaptive fuzzy distributed tracking control for interconnected nonlinear systems with communication constraints | |
CN114063457B (zh) | 一种机械臂系统的事件触发容错控制方法 | |
Yang et al. | Predictor‐based bipartite time‐varying formation control of nonlinear multi‐agents systems via disturbance observer | |
Li et al. | Adaptive actuator failure compensation control of uncertain nonlinear PDE–ODE cascaded systems | |
CN114154688A (zh) | 光伏电站的短期功率预测方法 | |
Wei et al. | Asymmetric time‐varying BLF‐based model‐free hybrid force/position control for SEA‐based 2‐DOF manipulator | |
Wang et al. | Event-triggered cognitive control for networked control systems subject to dos attacks and time delay | |
Li et al. | Impedance control for human-robot interaction with an adaptive fuzzy approach | |
Zhai et al. | A prescribed‐performance‐like control for improving tracking performance of networked robots | |
CN115556089A (zh) | 一种带状态约束和执行器故障的单连杆机械臂控制方法 | |
CN118664595A (zh) | 一种不依赖于模型的灵巧臂手机器人保性能控制方法 | |
Gao et al. | Modeling and prescribed H-infinity tracking control for strict feedback nonlinear systems | |
Lam et al. | Synchronization of chaotic systems using neural-network-based controller | |
CN114563953B (zh) | 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 | |
CN117572810B (zh) | 一种基于控制障碍函数的机械臂安全协同控制系统 | |
CN117047753A (zh) | 带有状态受限的多单臂机械手分布式协同控制方法及系统 | |
Zhao et al. | Realization of a Data-based Adaptive Networked Tracking Control in NetCon System |
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 |