基于双边闭环函数的网络化采样控制系统稳定性分析EI北大核心CSCD

考虑数据通信时延不确定环境下网络化采样控制系统的稳定性问题.首先基于输入时滞方法,建立包含采样周期信息的网络化采样控制系统的数学模型,在此基础上,采用双边闭环函数方法和自由矩阵积分不等式技术,得到网络传输时滞变化区间依赖稳定性新准则,并进一步讨论了网络化采样控制系统中网络时延与采样周期之间的关系.仿真结果表明减小采周期可以增强网络控制系统对网络通信时延的鲁棒性.     

基于网络控制的航空器动力系统的容错控制

研究了基于网络控制的航空器时变时滞横向动力学系统的容错控制问题.利用Lyapunov稳定性方法和LMI技术,综合网络的特点采用鲁棒完整性方法设计了针时执行器失效的容错控制器.首先给出了航空器横向动力学系统的时滞线性化一般模型,考虑到网络控制系统的运行特点以及网络中的诱导时延和数据包丢失现象,采用一种分段常值的控制器,设...     

时延丢包网络控制系统的分析与控制

针对网络控制系统中同时存在时延和丢包问题,基于零阶保持器的工作机制,将同时受时延和丢包影响的网络控制系统建模为输入带有时延的控制系统,根据李雅普诺夫稳定性理论和时滞系统理论得出控制系统的时滞相关稳定性条件,进一步基于锥补线性化的方法给出控制器的设计方法,有效解决了网络控制系统中同时存在时延和丢包的控制问题。仿真算例表明所提方法的有效性。     

基于输出反馈的不确定NCS鲁棒容错控制

研究了一类具有网络诱导时延和参数不确定性网络化控制系统鲁棒容错控制问题.基于将时延的不确定性转换为系统状态方程系数矩阵不确定性的NCS模型,同时考虑系统参数不确定性对系统的影响,应用Lyapunov稳定性理论和LMI方法,采用输出反馈控制策略,推证出了保证闭环网络化控制系统在执行器或传感器发生故障时仍渐进稳定的充分条件,并以求解线性矩阵不等式组给出了容错控制器的设计方法,最后用仿真算例验证了此方法的可行性和有效性.     

一类带有时延的非线性网络控制系统可靠模糊控制

研究了带有状态时延及执行器故障的非线性网络控制系统的可靠模糊控制问题. 利用输入时延方法, 将带有网络诱导时延和数据包丢失的非线性网络控制系统等价的转化为具有时变时延的Takagi-Sugeno(T-S)模糊系统. 时延对象的状态信息, 采用时滞分解方法, 得以充分的考虑. 并利用锥补线性化迭代算法, 将非凸的稳定性条件转化成可行的线性矩阵不等式(LMI)的形式. 文中将更紧的界处理方法(相互凸组合技术)与不相关增广矩阵项引入到Lyapunov函数的处理当中, 获得保守性更小的稳定性条件. 数值算例验证了该方法的有效性.     

基于LMI方法的网络闭环控制系统离散鲁棒模糊控制

针对网络闭环控制系统中时延和不同步等不确定因素,将时延的不确定性转换为系统状态方程系数矩阵的不确定性,提出了一种新的网络闭环控制系统建模方法———具有时滞的不确定离散模糊T-S模型;并在此模型的基础上,利用并行分布补偿原理和Lyapunov理论及LMI方法,证明了通过状态的静态反馈模糊控制,使闭环系统稳定的充分条件等价于求解一组LMI。仿真示例验证了该控制方法的有效性.     

多变量网络化DMC算法的鲁棒稳定性研究

在工业控制系统优化算法的研究中,引入网络化控制系统,针对多输入多输出动态矩阵控制(DMC)算法的鲁棒稳定性问题,首先根据有限脉冲响应(FIR)模型导出了网络控制系统通信信道上存在随机网络诱导时延的网络化DMC算法;其次,在考虑预测模型与系统实际模型之间存在模型失配情况下,利用线性矩阵不等式方法(LMI)分析该网络化DMC算法的鲁棒稳定性问题,进而建立了网络化DMC算法的鲁棒稳定性的充分条件。数值仿真验证表明解决工业控制系统性能优化的有效性。     

基于LMI方法的网络闭环控制系统离散鲁棒模糊控制

针对网络闭环控制系统中时延和不同步等不确定因素,将时延的不确定性转换为系统状态方程系数矩阵的不确定性,提出了一种新的网络闭环控制系统建模方法--具有时滞的不确定离散模糊T-S模型并在此模型的基础上,利用并行分布补偿原理和Lyapunov理论及LMI方法,证明了通过状态的静态反馈模糊控制,使闭环系统稳定的充分条件等价于求解一组LMI.仿真示例验证了该控制方法的有效性.     

基于状态空间模型的网络化广义预测控制

针对网络化控制系统中存在的网络诱导时延和数据包丢失,考虑了基于状态空间模型的网络化广义预测控制问题,提出一种采用最小预测步长和预测控制向量分别补偿网络诱导时延和数据包丢失对系统性能影响的新方法.分别给出了存在数据包丢失、网络诱导时延以及两者同时存在情况下的控制器设计方法.仿真实验结果验证了所提出算法的有效性.     

网络控制系统的最大允许时延界

提出确定多输入多输出网络控制系统的最大允许时延界的新方法. 由于网络诱导时延的分布特性, 整个多输入多输出网络控制系统实际上是一个多时延系统. 利用李雅普诺夫第二方法, 得到网络控制系统时延相关渐近稳定性判据. 最大允许时延界和输出反馈镇定控制器均可通过求解矩阵不等式(LMI)得到. 仿真比较说明了本文结果的正确性和可行性.     

具有时变通信受限非线性信息物理系统的网络化预测控制

针对具有时变通信受限的一类非线性信息物理系统,本文采用网络化预测控制策略,对于时变通信时延和数据丢失,不是使用常规的被动方式抑制,而是进行主动补偿.为了使补偿时变通信受限的方式简单、主动和通用,提出了一种新颖的网络化非线性预测控制方法.所设计的网络化非线性预测控制器能达到具有与无网络的本地闭环控制系统完全相同的期望控制...     

网络控制系统的实验研究

为了对网络控制系统理论研究成果进行验证,研究了网络控制系统(Networked Control Systems,NCS)的实验方法。主要介绍了利用OPC服务器程序和网络数据发送接受数据程序进行具体实验的方法,并且达到了较好的实验效果,故在以后可以利用现有的OPC服务器程序和数据包发送接收程序进行网络控制系统实验,为以后的网络控制系统研究提供了一种方便的方法。     

具有状态观测器的网络化控制系统的设计

研究存在时变延迟和丢包的非理想网络传输情况下带状态观测器的网络化控制系统设计问题.提出一种基于分级控制结构的、具有本地状态观测器的网络化控制系统的设计方法,证明了基于分级控制结构的网络化控制系统满足分离定理的充分条件.该方法在降低系统设计难度的同时,有效改善了网络化控制系统的控制性能.数值仿真表明了所提出方法的有效性.     

Lurie网络化控制系统的保性能控制

以不确定Lurie系统作为被控对象,研究其在网络环境下的保性能控制问题.在同时考虑随机网络诱导时延和数据丢包的情况下,建立不确定Lurie网络化控制系统模型;利用Lyapunov方法分别给出了存在结构不确定性和范数有界的不确定性时,Lurie网络化控制系统保性能控制器的设计方法.所得结果是以线性矩阵不等式的形式给出的,便于数值求解.最后以数值实例说明了所提出方法的可行性和有效性.     

基于动态通信调度的网络化系统最优控制

针对存在介质访问约束的网络化控制系统,研究其中的控制和通信协同设计问题.将网络化控制系统建模为输入矩阵随介质约束而变化的切换系统,运用最优控制理论和切换系统分析方法,设计了可动态调度的最优控制器及实时切换规则,并分析了动态调度下闭环网络化控制系统的稳定性,最后通过仿真验证了该方法的有效性.     

一类不确定性网络控制系统的滑模控制器设计

网络诱导时廷是影响网络控制系统稳定性和动态性能的主要因素．针对一类具有不确定性的网络控制系统，给出具有网络诱导时廷及不确定性的被控对象模型，设计其滑模控制器，建立基于滑模反馈控制器的网络控制系统闭环模型．通过Lyapunov方法证明，所得最大允许时延能够保证闭环网络控制系统稳定．仿真例子验证了该方法的正确性和有效性．     

基于快速输出采样反馈的网络控制系统滑模控制

针对网络控制系统的网络诱导时延问题,提出了一种新的滑模控制方法。通过快速采样被控对象输出,建立了具有线性时不变被控对象的网络控制系统的离散模型。在此基础上,用极点配置法给出了滑模切换面参数,设计了输出反馈离散滑模控制器。仿真结果验证了该控制方法的有效性。     

一类随机时延网络化控制系统的容错控制研究

将一类具有随机时延的网络化控制系统建模为具有马尔可夫延迟特性的离散跳变线性系统．借助跳变线性系统理论和容错控制的思想，研究了随机时延网络化控制系统的执行器失效问题．仿真结果验证了所提方法的有效性．     

具有多传输通道系统的网络化预测控制

本文研究了一类具有多传输通道网络化系统的控制问题,基于网络化预测控制方法,提出了一种改进型的分布式预测补偿方式,从而更有效地利用反馈数据来提高控制系统的性能.对闭环网络化预测控制系统进行分析,得到其稳定性条件,特别地,在模型精确已知和多传输通道的时延为定常的情况下,该条件将会退化为本地控制的闭环系统稳定性条件.上述结论的好处是网络化预测控制系统中状态观测器和控制器的设计可以参考本地控制.通过球杆系统算例验证本文所提方法的正确性和有效性.     

基于非策略Q-学习的网络控制系统最优跟踪控制

针对具有数据包丢失的网络化控制系统跟踪控制问题,提出一种非策略Q-学习方法,完全利用可测数据,在系统模型参数未知并且网络通信存在数据丢失的情况下,实现系统以近似最优的方式跟踪目标.首先,刻画具有数据包丢失的网络控制系统,提出线性离散网络控制系统跟踪控制问题;然后,设计一个Smith预测器补偿数据包丢失对网络控制系统性能的影响,构建具有数据包丢失补偿的网络控制系统最优跟踪控制问题;最后,融合动态规划和强化学习方法,提出一种非策略Q-学习算法.算法的优点是:不要求系统模型参数已知,利用网络控制系统可测数据,学习基于预测器状态反馈的最优跟踪控制策略;并且该算法能够保证基于Q-函数的迭代Bellman方程解的无偏性.通过仿真验证所提方法的有效性.