Sontag型构造性预测控制算法的性能分析

Sontag型构造性预测控制策略是为了降低约束非线性预测控制的在线计算量和分离闭环系统稳定性与性能指标而提出的一种有效算法。在算法名义稳定的条件下,运用逆最优控制理论,分析约束连续时间非线性系统Sontag型预测控制器的逆最优性和鲁棒性问题,得到控制器具有鲁棒性的充分条件,为更好地理解该控制算法和算法的实施提供了理论依据。最后,应用仿真实例验证了本文结论的有效性。     

极点配置预测函数控制

本文通过在预测函数优化性能指标中引入加权多项式来进行极点配置预测函数控制的研究。通过适当选择加权多项式 ,可将极点配置在给定位置 ,获得所期望的闭环响应特性。同时基于模型脉冲传递函数 ,得到控制量的显式表达式。     

约束Hammerstein系统非线性预测控制及在聚丙烯牌号切换中的仿真研究

对状态和输入受约束的Hammerstein系统, 提出一种新的可保证闭环指数稳定的非线性模型预测控制策略. 基于线性子系统镇定的最优控制律, 滚动预测非线性代数方程的解算误差, 继而在线优化计算满足约束的预测控制量. 进一步, 得到闭环系统指数稳定的解算误差上界. 从而闭环系统不仅满足约束而且对解算误差具有鲁棒性. 最后以工业聚丙烯牌号切换控制为例, 仿真验证本文算法的有效性.     

移动无线传感网中的迭代蒙特卡罗定位算法研究

研究移动无线传感网中的节点定位问题,分析影响蒙特卡罗定位精度的两个因素:观测值和前一时刻的位置样本集,提出一种迭代蒙特卡罗定位算法。该算法中,信标节点的位置信息在每个时间段只被它的邻居节点转发一次,但是接收到该信息的其他节点会保存它们,并在下一时间段将它们与待发送/转发的信息融合成一个数据包进一步转发,增加待定位节点用于估算前几个时间段位置样本集的观测值。待定位节点再利用蒙特卡罗算法迭代计算前面时间段的位置样本集,并充分利用观测值滤除较差样本,从而提高当前时刻的定位精度。仿真实验表明改进算法提高了定位准确度。当信标节点密度较低时,更能体现改进算法的优越性。     

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。     

嵌入式三轴运动控制系统的以太网通信实现

研究了嵌入式三轴运动控制系统的以太网通信问题;采用LM3S9B92微控制器设计主控制器和各轴电动机控制器,通过移植实时操作系统μC/OS-Ⅱ和TCP/IP协议栈LwIP,实现主控制器与各轴电机控制器之间的信息交互;按电动机控制数据传输紧急程度要求不同,在以太网MAC层之上建立调度表,优先传输紧急数据,提高三轴运动控制系统实时性;实验结果表明嵌入式三轴运动控制系统实现了以太网数据的无差错传输,并且在重载情况下时间延迟大约为系统改进前的72%,改进了系统的实时性。     

基于双客服的远程控制实验系统研究与开发

传统的C／S结构和B／S结构各有优缺点,双客户-服务器结构弥补了单一结构存在的缺陷,具有较强的可扩展性。该文针对AE2000B型过程控制实验装置,采用双客户-服务器的软件体系架构,通过自定义通信协议,结合实时曲线的表现方式达到用户远程控制实验的目的。实验结果表明,双客户-服务器结构带来的实验效果令人满意。     

虚假数据注入攻击信号的融合估计

研究了信息物理系统中假数据注入(False data injection, FDI)攻击信号的检测问题. 在分布式融合框架下, 首先将FDI攻击信号建模为信息物理系统模型中的未知输入, 从而使得攻击信号的检测问题转化为对FDI攻击信号的实时估计问题. 其次, 在每个传感器端设计基于自适应卡尔曼滤波的FDI攻击信号的局部估计器; 在融合中心端引入补偿因子, 设计分布式信息融合准则以导出攻击信号的融合估计器. 特别地, 当FDI攻击信号是时变情况时, 融合过程中补偿因子的引入可以大大提高对攻击信号的估计精度. 最后, 通过两个仿真算例验证所提算法的有效性.     

基于拉普拉斯特征映射学习的隐匿FDI攻击检测

智能电网中的隐匿虚假数据入侵(False data injection, FDI)攻击能够绕过坏数据检测机制, 导致控制中心做出错误的状态估计, 进而干扰电力系统的正常运行. 由于电网系统具有复杂的拓扑结构, 故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题, 而深度学习检测方法则存在训练时间长、占用大量计算资源的问题. 为此, 针对智能电网中的隐匿FDI攻击信号, 提出了基于拉普拉斯特征映射降维的神经网络检测学习算法, 不仅降低了陷入过拟合的风险, 同时也提高了隐匿FDI攻击检测学习算法的泛化能力. 最后, 在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.