网络化控制系统的若干控制问题研究

论文摘要

网络化控制系统适应了控制系统逐渐地向分散化、网络化、智能化方向发展的趋势,从而成为当前控制领域的研究热点。本文针对网络化控制系统的反馈通道和控制通道中存在网络诱导时延和数据包丢失现象,研究了网络化控制系统的状态估计、LQG最优控制、广义预测控制和时滞相关镇定问题。主要内容如下:1)提出了基于预测思想的网络化状态估计算法,以补偿网络诱导时延和数据包丢失的影响。分析了该预测估计算法的性能,表明了虽然该算法具有明显的补偿效果,但是随着网络诱导时延或数据包丢失的增长,预测估计偏差略微递增,讨论了估计算法的稳定条件,通过仿真和实验验证了算法的有效性和分析的正确性,从而为网络化LQG最优控制和基于状态空间模型的网络化广义预测控制的实现提供了状态估计方法。2)结合网络化预测状态估计算法,提出了补偿网络诱导时延和数据包丢失的网络化LQG最优控制算法。基于动态规划的思想给出了补偿网络诱导时延和数据包丢失的LQ最优控制器的设计方法,讨论了通过网络传送的控制信号对状态估计影响,给出了网络诱导时延或数据包丢失同时存在于反馈通道和控制通道的情况下网络化预测估计算法,证明了分离定理的成立,通过仿真和实验验证了算法的有效性和分析的正确性。3)提出了采用最小预测步长补偿网络诱导时延和采用预测控制向量补偿数据包丢失的基于多项式模型的网络化广义预测控制算法,讨论了网络诱导时延和数据包丢失与最小预测步长和预测控制向量之间的关系,基于滚动优化方法给出了基于多项式模型的网络化广义预测控制器的设计方法。基于多个数据打包传送以补偿网络诱导时延和数据包丢失的网络化递推最小二乘辨识算法,进一步讨论了网络化预测自校正控制器的设计方法。通过仿真和实验验证了算法的有效性和分析的正确性。4)提出了采用最小预测步长补偿网络诱导时延和采用预测控制向量补偿数据包丢失的基于状态空间模型的网络化广义预测控制算法,给出了基于状态空间模型的网络化广义预测控制器的设计方法,通过仿真和实验验证了算法的有效性和分析的正确性。5)提出了一种改进的补偿网络诱导时延和数据包丢失的网络化时滞相关镇定方法。以线性标称系统为受控对象,该改进方法通过考虑过去在估算Lyapunov泛函导数时被忽略的一个积分项,来克服过去求导结果的保守性,给出了基于Lyapunov方法的指数渐近稳定的条件和相关结果,仿真验证了改进方法的优越性,并通过实验结果表明了方法的有效性。对于线性不确定系统,进一步研究了基于时滞相关方法的网络化保性能控制器的设计方法,给出了最优保性能控制器的求解算法,通过仿真和实验验证了算法的有效性和分析的正确性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 网络化控制系统的特殊问题
• 1.2 网络化状态估计研究现状
• 1.2.1 面向网络诱导时延补偿网络化状态估计
• 1.2.2 面向数据包丢失补偿网络化状态估计
• 1.3 面向网络诱导时延补偿的网络化控制系统研究现状
• 1.3.1 确定性方法
• 1.3.2 增广状态方法
• 1.3.3 随机时间离散化方法
• 1.3.4 增益调度与自适应参数整定方法
• 1.3.5 模型预测控制方法
• 1.3.6 时滞相关方法
• 1.3.7 摄动分析方法
• 1.3.8 基于跳变或切换系统的控制方法
• 1.3.9 基于混杂系统的控制方法
• 1.3.10 基于随机辅助变量的控制方法
• 1.4 面向数据包丢失补偿的网络化控制系统研究现状
• 1.5 研究内容
• 第二章 网络化最优预测状态估计
• 2.1 前言
• 2.2 问题描述
• 2.2.1 存在网络诱导时延的情况
• 2.2.2 存在数据包丢失的情况
• 2.3 网络化最优预测状态估计算法
• 2.3.1 传统最优状态估计算法
• 2.3.2 存在网络诱导时延的情况
• 2.3.3 存在数据包丢失的情况
• 2.4 网络化最优预测状态估计算法的稳定性
• 2.4.1 传统最优状态估计算法的稳定性
• 2.4.2 存在网络诱导时延的情况
• 2.4.3 存在数据包丢失的情况
• 2.5 仿真
• 2.5.1 传统最优状态估计
• 2.5.2 网络化最优预测状态估计
• 2.6 实验
• 2.6.1 传统最优状态估计
• 2.6.2 网络化最优预测状态估计
• 2.7 小结
• 第三章 网络化LQG最优控制
• 3.1 前言
• 3.2 问题描述
• 3.2.1 存在网络诱导时延的情况
• 3.2.2 存在数据包丢失的情况
• 3.3 网络化LQG最优控制
• 3.3.1 传统LQG最优控制
• 3.3.2 存在网络诱导时延的情况
• 3.3.3 存在数据包丢失的情况
• 3.4 仿真
• 3.4.1 传统LQG最优控制
• 3.4.2 网络化LQG最优控制
• 3.5 实验
• 3.5.1 传统LQG最优控制
• 3.5.2 网络化LQG最优控制
• 3.6 小结
• 第四章 基于多项式模型的网络化广义预测控制
• 4.1 前言
• 4.2 问题描述
• 4.3 网络化广义预测算法
• 4.3.1 存在网络诱导时延的情况
• 4.3.2 存在数据包丢失的情况
• 4.3.3 同时存在网络诱导时延和数据包丢失的情况
• 4.4 网络化广义预测控制
• 4.4.1 存在网络诱导时延的情况
• 4.4.2 存在数据包丢失的情况
• 4.4.3 同时存在网络诱导时延和数据包丢失的情况
• 4.5 网络化广义预测自校正控制
• 4.6 仿真
• 4.6.1 网络化广义预测+PID控制
• 4.6.2 网络化广义预测控制
• 4.6.3 网络化广义预测自校正控制
• 4.7 实验
• 4.7.1 网络化广义预测控制
• 4.7.2 网络化广义预测自校正控制
• 4.8 小结
• 第五章 基于状态空间模型的网络化广义预测控制
• 5.1 前言
• 5.2 问题描述
• 5.3 网络化广义预测控制器设计
• 5.3.1 传统广义预测控制
• 5.3.2 存在时变数据包丢失的情况
• 5.3.3 存在定常网络诱导时延的情况
• 5.3.4 同时存在时变数据包丢失和网络诱导时延的情况
• 5.4 状态估计
• 5.4.1 系统扰动和测量噪声相关
• 5.4.2 全维状态观测器问题
• 5.5 仿真
• 5.5.1 传统广义预测控制
• 5.5.2 网络化广义预测控制
• 5.6 实验
• 5.7 小结
• 第六章 网络化时滞相关镇定
• 6.1 前言
• 6.2 问题的描述
• 6.2.1 标称系统
• 6.2.2 不确定系统
• 6.3 标称系统的网络化时滞相关镇定方法一
• 6.3.1 主要结果
• 6.3.2 数值实例
• 6.3.3 实验结果
• 6.3.4 相关结论
• 6.4 标称系统的网络化时滞相关镇定方法二
• 6.4.1 主要结果
• 6.4.2 数值实例
• 6.4.3 实验结果
• 6.4.4 相关结论
• 6.5 不确定系统的网络化保性能控制
• 6.5.1 主要结果
• 6.5.2 数值实例
• 6.5.3 实验结果
• 6.5.4 相关结论
• 6.6 小结
• 第七章 结论与展望
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果