网络化控制系统随机时延的半连续隐马尔可夫模型研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61203034
项目类别：
青年科学基金项目
资助金额：
24.0万
负责人：
葛愿
依托单位：
安徽工程大学
学科分类：
F0301.控制理论与技术
结题年份：
2015
批准年份：
2012
项目状态：
已结题
起止时间：
2013-01-01 至2015-12-31

项目参与者：
娄柯；余诺；汪石农；林建萍；阎延；汪巍巍；
关键词：
网络化控制系统半连续隐马尔可夫模型时延补偿时延预测随机时延

项目摘要

From the delay generated mechanism that the random delay is governed by the network state, this project investigates the modeling of the random delay in networked control systems (NCSs). According to the mixed Gaussian distribution of the random delay under different network state, the semi-continuous hidden Markov model is adopted to model the random delay. In this model, the main problem is the initialization and optimal estimation of the model parameters. While the precision of the random delay model is improved, the complexity of the model is increased. In order to reduce the impact of the complexity increase on the real-time of NCSs, this project investigates the re-estimation frequency of the model parameters and the amount of the historical delay data when re-estimation. Based on the model, the prediction and compensation methods for the random delay are presented in this project. The modeling, prediction, and compensation methods for the random delay are used to achieve the networked remote control of the parallel robot. This project will reveal the distribution law of the random delay in the NCS and present a high-precision model for the random delay. This project will provide an important theoretical reference for the engineering applications of the NCS.

本项目从随机时延受控于网络状态这一时延产生机理出发，研究网络化控制系统随机时延的建模问题。针对不同网络状态下随机时延呈现的混合高斯分布特征，采用半连续隐马尔可夫模型对随机时延进行建模研究，其中主要解决模型参数的初始化问题和最优估计问题。针对随机时延模型精度提高引起的模型复杂度增加问题，研究模型参数的重估频率以及重估时使用的时延历史数据量，解决模型复杂度增加对网络化控制系统实时性的影响。利用该模型进一步研究随机时延的预测与补偿方法。将随机时延的建模、预测与补偿方法用于实现并联机器人的网络化远程控制。本项目将揭示网络化控制系统随机时延的分布规律，建立高精度随机时延模型，为网络化控制系统的工程实现提供重要理论参考。

结项摘要

随机时延不仅会降低网络化控制系统的动态性能和稳态性能，甚至会导致系统不稳定。为了补偿随机时延的影响，往往需要首先建立随机时延的数学模型。本项研究引入了半连续隐马尔可夫模型对随机时延进行建模。在此基础上，进一步提高对当前采样周期前向通道随机时延的预测精度，改善对前后向通道随机时延的补偿效果。.本项目主要研究内容包括：.(1) 建立网络化控制系统前向通道随机时延的半连续隐马尔可夫模型.首先定义出前向通道随机时延的半连续隐马尔可夫模型，然后采用期望最大化算法实现模型参数的极大似然估计。鉴于该算法容易受初始模型的影响而陷入局部极值，研究了基于数据压缩原理和聚类思想的模型参数初始化方法。为了保证系统的实时性，采用前向通道随机时延预测值与其实测值之间的均方误差作为指标来设计模型参数的重估频率。.(2) 实现网络化控制系统前向通道随机时延的预测以及前后向通道随机时延的补偿.基于随机时延的半连续隐马尔可夫模型，预测出当前采样周期前向通道的网络状态，再考察半连续隐马尔可夫模型中与该网络状态对应的观察概率密度函数（混合高斯密度函数），按照概率最大准则预测出当前采样周期前向通道最有可能发生的随机时延。基于当前采样周期前向通道随机时延预测值和后向通道随机时延实测值，设计随机最优控制器来补偿两个通道随机时延对系统性能的影响。.(3) 网络化控制系统仿真平台设计.为了验证本项目的理论研究结果，分别设计了基于MATLAB/TRUETIME、NS2、OPNET的网络化控制系统仿真平台。此外，基于这些平台，拓展研究了网络化控制系统随机时延的分布特征、基于ARMA的时延预测方法、网络环境下多电机同步控制方法等。.本项目在以上研究内容都取得了重要研究成果。所建立的随机时延半连续隐马尔可夫模型获得了比离散隐马尔可夫模型更高的时延建模和预测精度以及更好的时延补偿效果。相关研究成果发表论文16篇，其中SCI收录1篇，EI收录5篇，申报发明专利1项，培养研究生6名。此外，在该项目的研究基础之上主持人获得了2015年国家自然科学基金面上项目1项。.本项研究成果的意义在于通过建立高精度随机时延模型揭示了随机时延的分布规律并改善了随机时延的补偿效果，从而解决了随机时延这一主要问题对网络化控制系统发展的制约，促进网络化控制系统在机器人遥操作、远程医疗、过程控制和智能家居等领域的广泛应用。