FDI攻击下自触发预测控制安全策略研究

针对信息物理融合系统自触发模型预测控制在虚假数据注入(FDI)攻击下的安全控制问题,提出一种基于控制信息重构的安全控制策略。首先,在控制器端对连续控制信号进行离散采样,并对少数关键数据进行重点加密;其次,在网络端传输离散化后的控制信号样本,并在被控系统处基于预设模式对控制信号进行重构;然后,推导了在系统遭受虚假数据注入攻击之时,重点加密数据的选取条件,并在理论上严格证明了基于重点加密数据重构获得的控制信号能够保证控制系统的可行性与稳定性;最后,基于机器人系统进行了仿真实验,验证了算法的有效性。     

自适应模型与改进粒子滤波的电池RUL预测

为提高锂电池运行的安全性和可靠性并维护系统稳定运行,提出一种自适应混合模型与改进粒子滤波（particle filter, PF）算法的锂电池剩余使用寿命（remaining useful life, RUL）预测方法。采用经验模型与神经网络模型结合建立自适应混合模型描述电池容量退化趋势,并使用天牛须搜索（beetle antennae search, BAS）算法优化PF重采样步骤解决粒子多样性丧失问题,从而提高估计精度进而实现RUL的精准预测。应用NASA和CALCE公开的两组不同类型锂电池作为实验对象,验证模型的有效性并通过对比PF与改进PF算法验证RUL预测的准确性。结果表明:自适应混合模型对于电池容量变化的表达能力更强,既能考虑电池内部的参数变化又能反应电池外部环境的变化,基于BAS改进的PF（BAS-PF）方法相较于传统PF算法的估计精度更高而且RUL预测更准确,对于不同的预测起点,两块测试电池的RUL预测误差分别为5.88%、3.92%、1.96%和3.75%、1.25%、0%。自适应混合模型能更加有效地描述电池容量特征,基于自适应混合模型的BAS-PF算法的电池RUL预测能力更好,可靠性更强,有助于提高RUL预测的精度和表现。     

粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元（gated recurrent unit,GRU）神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。     

压缩感知结合高斯过程回归的锂电池SOH估计

针对锂电池健康状态(SOH)估计,提出一种结合了基于压缩感知(CS)的容量增量曲线(ICC)特征提取与高斯过程回归(GPR)的估计方法。该方法从充电电压中提取ICC特征数据作为电池的健康特征(HF);针对原始ICC不准确且易受噪声干扰的问题,使用CS扩充数据维度以得到更加准确且平滑的ICC;通过相关性分析法选取ICC中相关性高的分量作为描述电池HF的参数,然后使用GPR建立电池容量退化模型用于估计SOH,并利用遗传算法优化超参数。最后,使用美国航空航天局(NASA)公开的四个电池数据集验证所提方法的准确性。实验结果表明,所提方法具有较高的估计精度和可靠性。