项目名称: 基于Delta算子方法的变采样网络化控制研究

项目编号: No.61203023

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 自动化学科

项目作者: 杨洪玖

作者单位: 燕山大学

项目金额: 26万元

中文摘要: 网络嵌入到控制闭环给系统的分析与设计提出了诸多挑战。为了实现系统的高质量控制,传输控制节点信息时网络带宽最好得到充分利用。然而,网络负载的多变导致网络可用带宽实时变化,适用于固定网络带宽的传统定周期采样控制方法很难在多变带宽的环境下取得好的控制效果。因此,本项目提出根据网络化实时可用带宽的变采样控制策略,基于Delta算子建立网络化控制系统新模型,进一步对滤波和控制器设计等问题进行研究。首先,本项目建立一个带切换参数的时滞Delta算子模型,新模型融入了采样周期参数,可实时反映和利用网络带宽。其次,研究网络化系统滤波与控制问题,提出依赖于变采样周期的状态估计新方法和控制新策略。最后,我们将研究结果应用于无线网络化倒立摆实验平台,进行试验研究。研究成果将丰富变采样控制研究内容,发展网络化控制理论,同时对复杂网络环境下的控制工程提供新的研究思路和方法。

中文关键词: 网络化控制;Delta算子系统;变采样;物联网;

英文摘要: Many problems are induced for the introduction of the communication networks into control closed-loop. In order to achieve the high control performance, the networks bandwidth should be well used when the information is transported among the control nodes. However, the available networks bandwidth is real-time changed based on the environment of networks load. Hence, it is difficult to obtain good control effect in the environment of changing networks bandwidth by using traditional fixed period sampling approach, which is suit for the networks environment with fixed bandwidth. Therefore, this project studies a time-varying sampling control problem based on the real-time available bandwidth of networks, a new networked control system model is given based on the delta operator approach. Some problems on state estimation and controller design are also deeply investigated in the project. Firstly, a delta operator system model with time delays and switched parameters is proposed to describe networked control systems. In the new model, the sampling period values are used explicitly, by which the available networks bandwidth is real-time reflected. Secondly, both filtering and control of networked systems are studied, some new state estimation and control strategies depending on sampling periods are proposed. Finally,

英文关键词: networked control;delta operator system;time varying sampling;internet of things;

成为VIP会员查看完整内容
0

相关内容

Kyoto大学Toshiyuki:快速复杂控制系统的实时优化,133页ppt
【博士论文】集群系统中的网络流调度
专知会员服务
43+阅读 · 2021年12月7日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
20+阅读 · 2021年8月1日
专知会员服务
47+阅读 · 2021年6月3日
【AAAI2021】Graph Diffusion Network提升交通流量预测精度
专知会员服务
53+阅读 · 2021年1月21日
专知会员服务
230+阅读 · 2020年12月15日
【CMU】深度学习模型中集成优化、约束和控制,33页ppt
专知会员服务
45+阅读 · 2020年5月23日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
WSDM'22「Facebook」推荐采样方法哪家强?
图与推荐
0+阅读 · 2022年1月19日
【博士论文】集群系统中的网络流调度
专知
4+阅读 · 2021年12月7日
招聘平面设计实习生
微软研究院AI头条
0+阅读 · 2021年5月20日
【数字孪生】面向智能制造的数字孪生
产业智能官
50+阅读 · 2020年5月10日
【资源】深度学习模型压缩资源汇总
专知
38+阅读 · 2019年5月8日
你真的懂时间序列预测吗?
腾讯大讲堂
104+阅读 · 2019年1月7日
【数字孪生】一文读懂数字孪生的应用及意义
产业智能官
43+阅读 · 2018年9月28日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
13+阅读 · 2021年10月22日
Arxiv
31+阅读 · 2020年9月21日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
136+阅读 · 2018年10月8日
小贴士
相关VIP内容
Kyoto大学Toshiyuki:快速复杂控制系统的实时优化,133页ppt
【博士论文】集群系统中的网络流调度
专知会员服务
43+阅读 · 2021年12月7日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
20+阅读 · 2021年8月1日
专知会员服务
47+阅读 · 2021年6月3日
【AAAI2021】Graph Diffusion Network提升交通流量预测精度
专知会员服务
53+阅读 · 2021年1月21日
专知会员服务
230+阅读 · 2020年12月15日
【CMU】深度学习模型中集成优化、约束和控制,33页ppt
专知会员服务
45+阅读 · 2020年5月23日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
相关资讯
WSDM'22「Facebook」推荐采样方法哪家强?
图与推荐
0+阅读 · 2022年1月19日
【博士论文】集群系统中的网络流调度
专知
4+阅读 · 2021年12月7日
招聘平面设计实习生
微软研究院AI头条
0+阅读 · 2021年5月20日
【数字孪生】面向智能制造的数字孪生
产业智能官
50+阅读 · 2020年5月10日
【资源】深度学习模型压缩资源汇总
专知
38+阅读 · 2019年5月8日
你真的懂时间序列预测吗?
腾讯大讲堂
104+阅读 · 2019年1月7日
【数字孪生】一文读懂数字孪生的应用及意义
产业智能官
43+阅读 · 2018年9月28日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
13+阅读 · 2021年10月22日
Arxiv
31+阅读 · 2020年9月21日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
136+阅读 · 2018年10月8日
微信扫码咨询专知VIP会员