一种网络物理系统分布式鲁棒控制方法

本发明涉及网络物理系统的协同控制，尤其涉及一种网络物理系统分布式鲁棒控制方法。

背景技术：

1、网络物理系统的协调控制在各种实际应用中得到了的许多关注，如机器人、自动化车辆、电力系统等。网络物理系统是由自主传感、信号处理、系统识别、自适应学习和控制技术组成的复杂非线性系统，通常被视为多智能体系统。在不确定的动态环境中执行不同任务的协作智能体，例如制造、监控、搜索和救援，在不同物理约束条件下，智能体的控制器仅依赖于相邻智能体之间的局部交互，实现网络物理系统中的协调控制，可以提高故障冗余特性、提高鲁棒性和可靠性。当执行器故障为有界时变参数时，则未知静态控制系数乘以有界时变参数，变成了未知动态控制增益，导致控制增益具有不确定性，增加了系统的分析和控制难度。

2、目前，存在执行器故障和外界扰动影响下的网络物理系统的实际控制问题尚待进一步研究。

技术实现思路

1、本发明实施例提供一种网络物理系统分布式鲁棒控制方法，可以通过基于自适应学习增益的实际控制器以及基于变量凝结方法的实际控制器对第i个智能体和相邻智能体的各阶状态信息差进行处理，得到第i个智能体的控制策略，并根据第i个智能体的控制策略，对第i个智能体进行控制，以解决现有方法中存在执行器故障和外界扰动影响下的网络物理系统的实际控制问题。

2、本发明实施例提供一种网络物理系统分布式鲁棒控制方法，所述网络物理系统包括多个子系统，每个所述子系统被描述为一个智能体，所述网络物理系统分布式鲁棒控制方法包括：

3、获取第i个智能体和相邻智能体的各阶状态信息差；

4、通过基于自适应学习增益的实际控制器以及基于变量凝结方法的实际控制器对所述第i个智能体和所述相邻智能体的各阶状态信息差进行处理，得到所述第i个智能体的控制策略；

5、基于所述第i个智能体的控制策略，对所述第i个智能体进行控制。

6、可选的，所述获取第i个智能体和相邻智能体的各阶状态信息差的步骤包括：

7、获取第i个智能体和相邻智能体的各阶状态信息；

8、根据所述第i个智能体和所述相邻智能体的各阶状态信息，计算所述第i个智能体与所述相邻智能体的各阶状态信息差。

9、可选的，所述网络物理系统满足以下式子：

10、

11、其中，xi∈rm表示智能体的零阶位置信息，fi(ξi,t)是未知平滑函数；gi(ξi,t)是未知常数或平滑函数，对于所有ξi和t，有0≤|gi(ξi,t)|<∞，称为控制系数；为外部扰动，为已知常数，称为外部扰动的上界值。

12、可选的，所述控制目标函数如下式子所示：

13、

14、和

15、

16、其中，ηi和ηj表示第i个和j个追随者与领航者的位置偏移量；在给定位置偏移量情形下，式(2)要求第i个追随者与领航者的各阶状态信息随着时间的变化趋于0，式(3)要求第i个追随者与第j个追随者的各阶状态信息随着时间的变化趋于0。

17、可选的，分布式鲁棒协同编队误差定义为

18、

19、其中，λ1,λ2,…,λn-1为正常数，且满足下列表达式

20、λ1+λ2z+...+λn-1z(n-1)+z(n)＝0                       (5)

21、式(5)为特征方程，且所有特征值均具有负实部。

22、可选的，所述方法满足以下式子：

23、

24、其中，un,i(t)表示基于自适应学习增益的实际控制器控制方程，ρiq(t)表示执行器健康因子，表示卡住故障。

25、可选的，所述基于自适应学习增益的实际控制器为带有执行器安全情形下的第一编队控制器，所述带有执行器安全情形下的第一编队控制器包括第一鲁棒控制机制和第一基于自适应学习增益的鲁棒实际编队控制算法。

26、可选的，所述在执行器安全约束情形下，ρiq(t)＝1和

27、第一鲁棒控制机制如下所示：

28、

29、其中

30、

31、和

32、

33、其中，bir和bij表示第i个追随者与引航者，追随者与追随者之间的关联系数；mij为第i行和第j列有向信息交互图的拉普拉斯矩阵的元素，式(8)中χ是辅助函数，式(9)中的分别表示第i个追随者与引航者和相邻追随者之间各阶状态信息误差；

34、第一参数自适应更新方程如下所示：

35、

36、其中

37、

38、其中，ni表示第i个智能体的邻居集；假设gi(ξi,t)变化缓慢，可处理为未知常数；和分别是理想参数和有效估计；是未知理想控制增益的估计；称为自适应学习增益；

39、控制增益满足下述条件:

40、

41、根据指定控制误差，的更新律为：

42、

43、可选的，所述基于变量凝结方法的实际控制器为带有执行器间隙故障情形下的第二编队控制器，采用了变量凝结技术，通过虚拟中间凝结变量建立李雅普诺夫函数，分析了算法稳定性分析过程；根据高频算法思想，提出了基于一阶滤波器的鲁棒控制算法；所述带有执行器间隙故障情形下的第二编队控制器包括第二自适应控制机制和基于第二自适应学习增益的鲁棒实际编队控制算法。

44、可选的，在执行器故障约束情形下，即ρiq(t)∈(0,1)和

45、第二自适应学习控制方程如下所示：

46、

47、其中，是1/bmin的一个估计；uc,i表示第i个追随者的控制器，uef表示第i个追随者的等效控制输入。

48、第二参数自适应更新方程如下所示：

49、

50、和

51、

52、其中，γa为常数，是向量参数w的一个估计。

53、可选的，所述方法还包括：

54、建立基于控制性能的自适应更新率；

55、若控制性能不满足特定约束，则参数连续更新，直至控制性能满足特定约束的结果。

56、采用本发明的网络物理系统分布式鲁棒控制方法，可以通过基于自适应学习增益的实际控制器以及基于变量凝结方法的实际控制器对第i个智能体和相邻智能体的各阶状态信息差进行处理，得到第i个智能体的控制策略，并根据第i个智能体的控制策略，对第i个智能体进行控制，以解决现有方法中存在执行器故障和外界扰动影响下的网络物理系统的实际控制问题。

技术特征：

1.一种网络物理系统分布式鲁棒控制方法，其特征在于，所述网络物理系统包括多个子系统，每个所述子系统被描述为一个智能体，所述网络物理系统分布式鲁棒控制方法包括：

2.如权利要求1所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述获取第i个智能体和相邻智能体的各阶状态信息差的步骤包括：

3.如权利要求1所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述网络物理系统满足以下式子：

4.如权利要求3所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述控制目标函数如下式子所示：

5.如权利要求4所述的网络物理系统分布式鲁棒控制方法，其特征在于，分布式鲁棒协同编队误差定义为

6.如权利要求5所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述方法满足以下式子：

7.如权利要求6所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述基于自适应学习增益的实际控制器为带有执行器安全情形下的第一编队控制器，所述带有执行器安全情形下的第一编队控制器包括第一鲁棒控制机制和第一基于自适应学习增益的鲁棒实际编队控制算法。

8.如权利要求7所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述在执行器安全约束情形下，ρiq(t)＝1和

9.如权利要求8所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述基于变量凝结方法的实际控制器为带有执行器间隙故障情形下的第二编队控制器，采用了变量凝结技术，通过虚拟中间凝结变量建立李雅普诺夫函数，分析了算法稳定性分析过程；根据高频算法思想，提出了基于一阶滤波器的鲁棒控制算法；所述带有执行器间隙故障情形下的第二编队控制器包括第二控制机制和基于第二自适应学习增益的鲁棒实际编队控制算法。

10.如权利要求9所述的网络物理系统分布式鲁棒控制方法，其特征在于，在执行器故障约束情形下，即ρiq(t)∈(0,1)和

11.如权利要求1至10中任一所述的网络物理系统分布式鲁棒控制方法，其特征在于，所述方法还包括：

技术总结本发明提供一种网络物理系统分布式鲁棒控制方法，包括：获取第i个智能体和相邻智能体的各阶状态信息差；通过基于自适应学习增益的实际控制器以及基于变量凝结方法的实际控制器对第i个智能体和相邻智能体的各阶状态信息差进行处理，得到第i个智能体的控制策略；基于第i个智能体的控制策略，对第i个智能体进行控制。通过基于自适应学习增益的实际控制器以及基于变量凝结方法的实际控制器对第i个智能体和相邻智能体的各阶状态信息差进行处理，得到第i个智能体的控制策略，并根据第i个智能体的控制策略，对第i个智能体进行控制，本发明可以解决现有方法中存在执行器故障和外界扰动影响下的网络物理系统的实际控制问题。技术研发人员：杨晓武,李干蓉,龙飞,张烈平,雷邦军受保护的技术使用者：贵州理工学院技术研发日：技术公布日：2024/7/18