一种改进的网络时延预估方法

针对网络控制系统中网络时延的预测问题进行了分析,在平均时延窗口-ADW预测方法和BP神经网络预测方法的基础上,提出了BP-ADW预测网络时延的方法,仿真结果证明该方法可行,尤其在网络发生突变时效果要好于平均时延预测方法.     

网络控制系统变采样周期智能动态调度策略

针对网络控制系统中采样周期时变不确定性对控制性能和网络运行性能的影响,提出一种基于反馈控制原理和预测机理的智能动态调度策略.该策略利用网络资源利用率、截止期错过率以及误差绝对值积分(Integralof the Absolute Error,IAE)对消息进行反馈控制调度,保证网络利用率、截止期错过率以及控制性能保持在期望的范围内;利用BP神经网络对网络利用率和数据包执行时间进行预测,实时调整控制系统的采样周期,以适应网络中信息流的变化.仿真试验结果表明该调度算法既能满足控制系统的性能,又提高网络资源的利用率.     

网络控制系统中采样周期的优化选取方法

对网络环境下的控制系统时延进行了分析,讨论了系统采样周期和网络时延对网络控制系统的影响,以优化控制系统性能为目标,以网络的可调度性为条件,结合系统控制与网络调度,给出了NCS的优化模型和采样频率的求取方法,并给出了优化实例。结果表明:该调度算法既满足了控制系统的性能,又优化了网络调度,提高了网络资源的利用率,为选择网络控制系统采样周期提供了指导方法。     

网络控制系统的动态权重变采样周期调度算法

为提高网络控制系统的性能,提出一种用于网络控制系统的动态权重变采样周期调度算法.首先,通过二次平方根映射函数,根据控制回路数据传输误差对各个控制回路赋予不同的动态权重;然后,根据当前网络运行状况,通过比例控制预测新的网络利用率,同时利用最小二乘支持向量机算法预测各回路数据包传输时间;最后,在网络带宽资源受限的情况下,利用回路动态权重、网络利用率预测值并结合控制回路数据包传输时间,动态的调整回路的采样周期,使得网络控制系统的性能得到优化.仿真实验表明,提出的变采样周期调度算法能够使得网络利用率收敛到设定值,减少了控制回路的数据传输时延,提高了系统的输出响应与控制性能.     

网络控制系统的时延特性分析

在网络控制系统中，由网络产生的信息传输时延对系统的控制性能有重大影响.时延会降低系统的控制性能，使系统稳定范围变窄，甚至可能使系统不稳定.首先概述了网络控制系统及固有的特点，随后深入分析了网络控制系统中时延产生的原因以及采用随机访问和调度两类访问方式的控制网络中时延特性，阐明了时延对系统性能的影响，并通过实例给出了系统稳定时延和采样周期之间的约束关系.该约束关系可作为选择采样周期的参考依据.     

基于神经网络延时预测的自适应网络控制系统

针对网络控制系统存在着随机、时变、不确定的信息传输延时,采用带有时间戳的线性神经网络(TSLNN)进行在线延时预测,实时地获得当前采样周期的网络传输延时预测值.该方法选取3个先验的网络实测延时值作为神经网络的输入样本,选用widrow-hoff学习规则作为神经网络的训练算法;应用网络传输延时预测值,并采用一阶Pade方法,对数学模型中的延时环节进行线性化处理,从而获得无刷直流电机调速网络控制系统的线性数学模型;最后,利用模型参考自适应控制方法(MRAC)设计闭环控制器.仿真结果表明,将基于TSLNN在线延时预测的MRAC方法应用于无刷直流电机调速网络控制系统中,可以获得令人满意的系统动、静态性能.     

基于互联网无刷直流电机传动系统的控制策略

为了方便处理网络控制系统中的时变延时问题,运用时间戳BP神经网络对每一采样周期的延时数据进行在线、实时预测,建立无刷直流电机网络控制系统的数学模型,导出系统离散状态方程,并基于时间乘误差绝对值积分最小(ITAE)优化控制策略提出初次优化设计方法;为了对无刷直流电机传动系统的量测噪声、突加负载扰动及模型随机干扰进行有效补偿和抑制,采用卡尔曼滤波进行状态估计,同时引入李雅普诺夫稳定性理论求取该系统最优状态反馈矩阵,实现网络控制系统的再次优化.仿真结果表明,该方法能够有效提高传动系统的静动态性能和抗干扰水平．     

基于事件驱动的无线网络控制系统的建模与控制

针对同时具有网络诱导时延与丢包的无线网络控制系统,研究了系统的建模与控制问题。考虑到系统随机时延可能大于一个采样周期且伴有连续丢包情况,结合基于事件驱动控制的思想建立了新的数学模型,并进一步给出了无线网络控制系统指数稳定的充分条件。最后用仿真实验验证了该方法的有效性。     

变采样周期网络控制系统的最优保性能控制

针对短时延网络控制系统,提出了将时变采样周期分成为定常采样周期和网络诱导时延的和.建立了系统离散模型,将采样周期的不确定性转换成系统参数的不确定性.研究设计了最优保性能状态反馈控制器,基于线性矩阵不等式的可行解给出了控制器参数.仿真证明了该方法的有效性,比较于其他的设计方式,该方法的计算量小.     

不确定采样周期输出反馈网络控制系统的稳定性

为研究基于模型的输出反馈网络控制系统在传输时延情况下的稳定性,以得到固定时延系统采样周期的最大波动范围,在系统中,采用状态观测器及内设模型估计采样时刻之间被控对象的状态,并充分利用系统结构和在采样点状态更新的信息。针对不存在丢包和存在丢包的情况,通过由采样周期、被控对象与模型参数构造的稳定性判别矩阵给出了使网络控制系统渐近稳定的充分条件。通过仿真示例验证了充分条件的正确性。     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,     

传输时延和数据包丢失的网络化系统预测控制

针对具有传输时延和数据包丢失的网络化系统研究了有约束模型预测控制问题。考虑网络控制系统中同时存在时延和丢包的情况,给定时延和丢包的上界值,用预测控制器产生的对应时刻的控制输入补偿网络时延和数据包丢失,通过建立时延状态矩阵将系统模型进行分类并视为切换系统,并通过构造切换Lyapunov函数证明了切换系统的稳定性。为了在提高系统性能的基础上减少计算量,利用部分滚动优化方法进行控制器设计,给出了性能指标的上界和系统渐进稳定的充分条件,通过在线求解LMI问题得到状态反馈控制律。仿真研究验证了该方法的有效性。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

基于改进LS-SVM的网络化预测控制

针对存在网络延时的网络化控制系统,提出一种具有最大预测步数的网络化预测控制策略.首先,分析网络延时的组成,确定网络延时的最小值,并利用自由权矩阵方法计算网络延时最大允许上界,作为最大预测步数;进而,利用改进的最小二乘支持向量机在线预测网络延时;最后,利用基于往返延时的补偿策略选择合适的预测控制量来补偿网络延时的影响.仿真结果表明该控制策略有效.     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.