事件驱动网络化系统的状态估计融合及其应用

事件驱动网络化系统的状态估计融合及其应用近年来,随着传感器技术和网络通信技术的不断提高,控制系统技术向网络化、分布化、智能化和综合化方向迅猛发展,网络化系统应运而生,以满足大规模工业生产和控制的迫切需求,如智能电网、信息物理系统、智能交通控制、无人作战指挥系统等重要领域。然而,网络本身存在的带宽约束、随机丢包和时滞等问题给网络化系统的分析和设计带来了新的挑战,严重时甚至会使得系统变得不稳定。因此,研究通信约束下网络化系统状态估计融合问题具有重要的理论和实际意义。在传统时间触发采样系统的理论和方法基础上,本文研究了事件驱动网络化系统状态估计及其融合问题、量化驱动网络化系统状态估计问题,以及一类事件驱动动态系统执行器和传感器故障诊断问题。本文的主要研究内容和创新点如下:1、针对含有结构和参数不确定性的网络化系统状态估计问题,基于交互式多模型滤波理论,设计了事件驱动的随机混杂系统状态估计算法。所提出的算法不仅能够有效地节省网络带宽和避免最优估计中的组合爆炸问题,而且能够对系统参数或结构变化做出快速反应。2、针对事件驱动网络化系统状态估计融合问题,分别提出了序贯式和分布式的事件驱动状态估计融合算法。序贯式估计融合算法是集中式融合结构,而带反馈的并行式估计融合算法是最优分布式融合结构,且具有与集中式融合结构等效的融合估计效果。3、针对噪声相关的网络化系统状态估计融合问题,在充分考虑噪声之间相关性的基础上,给出了一种在线性最小方差意义下最优的事件驱动分布式状态估计融合算法。本文的线性矩阵加权

融合准则为线性方差意义下的最优融合框架。4、针对随机事件驱动

网络化系统状态估计融合问题,充分考虑连续系统离散化所引起的相

关性影响,设计了在最大后验概率准则下最优的分布式估计融合算法。本文的随机事件驱动机制能够严格意义上保持系统状态条件分布的

高斯特性。5、针对含有量化信息的网络化系统状态估计问题,综合考虑量化误差和通信不确定性之间的耦合因素,提出了一种基于多级量

化驱动的状态估计算法。本文所设计的多级量化机制能够以统一的标量量化参数来并行处理测量向量的量化问题,避免了传统量化机制中

量化参数难以确定的困境。6、针对一类事件驱动系统的执行器和传

感器故障诊断问题,提出了基于交互式多模型框架的事件驱动故障诊

断方法。本文的故障诊断方法对于一种故障只用建立一个候选故障模型,能够有效降低模型集设计的复杂度。仿真结果证明,所提算法对于故障具有快速的响应速度,且能够准确地估计出执行器的故障幅值。