本发明专利技术公开了一种网络控制系统前向通道随机时延的在线预测方法，考虑前向通道时延在控制器端不可直接获得的情况，提前预测未知时延以降低网络控制系统中时延不确定性对系统性能的影响；首先，缓冲队列通过反馈通道采集时延历史数据，排序并更新可用信息供控制器使用。其次，控制器端基于足够的时延历史数据H(k)初始化在线预测模型；一旦有新的可用数据xn+1，则由递推最小二乘法更新参数以适应网络的实时变化；定期执行滚动预测，预测值经反差分处理并加上趋势项dk，即为前向通道时延的预测值本发明专利技术采用递推最小二乘法实时更新模型参数，具有追踪时变参数的能力，能更好地适应网络的实时变化。
【技术实现步骤摘要】
本专利技术涉及网络控制系统网络诱导时延的预测方法，特别是涉及网络控制系统前向通道随机时延的在线预测方法。
技术介绍
网络控制系统(Networked Control Systems,NCSs)中，控制策略的研究目标是克服网络诱导时延、数据丢包和时序错乱等对控制系统的影响，达到要求的控制性能。根据对系统性能的影响，网络诱导时延分为两类：传感器到控制器的反馈通道时延和控制器到执行器的前向通道时延。两类时延都由网络产生，可能是有界的或无界的、时变的和随机的，其随机性将导致网络接收端数据时序错乱。对于控制系统，前者可测量获得，是一种变化的确定时延；后者在控制信息的传输过程中产生，是一种变化的不确定时延，导致系统的不确定性，使得系统性能下降甚至不稳定。因此，前向通道时延的预测对提高网络控制系统性能尤为重要。近年来，针对前向通道时延预测的研究方法主要集中在参数模型、灰色系统理论、隐马尔科夫模型和各类神经网络方法。时维国等在论文“基于AR模型时延预测的改进GPC网络控制算法”中，基于自回归模型(Autoregressive Model，简称AR模型)建立时延预测模型，采用参数自校正的最小均方算法进行时延在线预测，但忽略了时延信息的获取存在延迟。李君等在论文“基于时延灰色预测的网络机器人网络预测控制”中，基于灰色模型由少量数据建立时延的单步预测模型，并基于预测值设计补偿控制策略，但对随机性强的时延预测精度低，不适合非平稳数据。高宪文等在论文“基于Lyapunov-Elman的网络控制系统时延预测方法”中，将最大Lyapunov指数与Elman的预测值由权值系数叠加，权值系数采用自由搜索算法确定，具有较高的单步预测精度，但算法执行时间长，不适合用于实时系统。徐淑萍等在论文“基于Internet的远程控制系统网络时延分析研究”中，基于样条均值的滑动模型训练广义回归神经网络以建立网络诱导时延的预测模型，具有较好的泛化能力，但训练时间过长，不能实现参数在线更新。
技术实现思路
针对上述现有技术中存在的问题，本专利技术提供了一种网络控制系统前向通道随机时延的在线预测方法。本专利技术所采用的技术方案是：控制器通过反馈通道采集执行器端的前向通道时延历史数据，时延在线预测模型依据该数据进行时延的多步预测。具体包括以下步骤：1)控制器端通过反馈通道采集前向通道时延的历史数据，经缓冲队列排序更新后用于在线预测，各控制节点操作如下：(1)控制器：定期执行控制算法，并将控制信息Δu和时间戳Ctime一起打包由前向通道发送给执行器；(2)执行器：接收数据包后立即更新并执行最新控制律，同时计算该包的τca并由Ctime标记，(τca Ctime)是历史数据的基本单元；(3)传感器：定期采样输出信息y和执行器上个周期内接收数据包中的历史数据，与时间戳Stime一起打包由反馈通道发送给缓冲队列；(4)缓冲队列：将接收到的数据包中的y和τca与各自的历史数据按时序排列。通过反馈通道采集获得的时延历史数据必然存在延迟，控制器成功采集到k时刻的前向时延的延迟τk为： τ k = τ k c a + τ k + [ τ k c a T ) s c ]]>其中，为在反馈通道中的网络诱导时延。反馈通道接收端的缓冲队列从数据包中相应的信息添加到时延历史数据中并进行排序处理，考虑到随机时延造成的时序错乱，标记并不断更新最近可用时刻n。最后将可用的历史数据发送给控制器，k时刻可用的时延历史数据H(k)为： H ( k ) = [ τ 1 c a , τ 2 c a , ... , τ n c a ] ]]>其中，最近可用时刻n满足在线预测模型的预测步数l： l = k - n ≥ [ τ n c a T ) + [ τ n n s c T ) ≥ 2 ]]>2)控制器端依据历史数据H(k)构建在线预测模型，分为四部分：数据预处理、模型建立与参数更新、适用性检验和多步预测；数据预处理：对H(k)的预处理包括去趋势项和平稳化，趋势项由多元回归方法估算获得，H(k)的非平稳时序模型为： H ‾ ( k ) = H ( k ) - D ( k ) ]]>其中，为不包含趋势项的时延序列，趋势项D(k)＝[d1,d2,…,dn]由多元回归方程描述；采用Box-Jenkins建模方法，由ADF对进行平稳性检验，对不平稳的序列由D次差分实现平稳化，平稳化后对应的平稳序列记作X(k)＝[x1,x2,…,xn]，xn为经过预处理后对应的值；为了预测k时刻的时延值xk，对平稳序列X(k)构建p阶AR模型：其中，为自回归参数，残差{εk本文档来自技高网...
【技术保护点】
网络控制系统前向通道随机时延的在线预测方法，其特征在于，具体包括以下步骤：1)控制器端通过反馈通道采集前向通道时延的历史数据，经缓冲队列排序更新后用于在线预测，各控制节点操作如下：控制器：定期执行控制算法，将控制信息Δu和时间戳Ctime打包由前向通道发送给执行器；执行器：接收数据包后立即更新并执行最新控制律，计算对应的时延τca并由Ctime标记，(τca Ctime)是历史数据的基本单元；传感器：定期采样输出信息y，与执行器上个周期内接收数据包的历史数据和时间戳Stime一并打包由反馈通道发送给缓冲队列；缓冲队列：将接收数据包中的y和τca与各自的历史数据按时序排列，缓冲队列标记最近可用时刻；k时刻可用的时延历史数据H(k)为：H(k)=[τ1ca,τ2ca,...,τnca],1=k-n≥[τncaT)+[τnnscT)≥2]]>其中，最近可用时刻n满足l为在线预测模型的预测步数；2)控制器端依据历史数据H(k)构建在线预测模型，分为四部分：数据预处理、模型建立与参数更新、适用性检验和多步预测；数据预处理：对H(k)的预处理包括去趋势项和平稳化，趋势项由多元回归方法估算获得，H(k)的非平稳时序模型为：H‾(k)=H(k)-D(k)]]>其中，为不包含趋势项的时延序列，趋势项D(k)＝[d1,d2,…,dn]由多元回归方程描述；采用Box‑Jenkins建模方法，由ADF对进行平稳性检验，对不平稳的序列由D次差分实现平稳化，平稳化后对应的平稳序列记作X(k)＝[x1,x2,…,xn]，xn为经过预处理后对应的值；为了预测k时刻的时延值xk，对平稳序列X(k)构建p阶AR模型：其中，为自回归参数，残差{εk}为均值为零、方差为的正态白噪声过程；模型建立与参数更新：AR模型具有两类参数：结构参数p和自回归参数采用AIC信息准则作为评判标准，在阶数p的可取范围内选取使AIC最小的值；AIC=2p+N ln(RSSN)]]>其中，N为样本个数，RSS为模型的残差平方和；基于X(k)提供的n个数据，模型参数的最小二乘估计为：Φ^n=(XnTXn)-1XnTZn,n>p]]>其中Zn＝[xp+1,xp+2，...，xn]T，基于n+1个数据的参数递推最小二乘估计为：Φ^n+1=Φ^n+Kn+1(xn+1-MnΦ^N)]]>其中，Mn＝[xn,xn‑1,…xn+1‑p]，适用性检验：AR模型确定后需进行残差检验，采用Q统计量进行评估：Q=NΣk=1mρk2,ρk=Σl=1N-kϵlϵl+kΣl=1Nϵl2,k=1,2,...,m(m<N4)]]>其中N为样本个数，ρk为残差的自相关函数；Q统计量满足卡方分布Q～χ2(m)，给定显著性水平α后查表分析：如果残差是白噪声，模型合适，否则模型检验失败；多步预测：控制器端k时刻的时延预测值由k‑l时刻的信息向前l步最佳预测获得：其中，由递推最小二乘法在线更新获得；AR模型多步预测的结果先进行D次反差分处理，加上趋势项dk，最后得到前向时延预测值...
【技术特征摘要】
1.网络控制系统前向通道随机时延的在线预测方法，其特征在于，具体包括以下步骤：1)控制器端通过反馈通道采集前向通道时延的历史数据，经缓冲队列排序更新后用于在线预测，各控制节点操作如下：控制器：定期执行控制算法，将控制信息Δu和时间戳Ctime打包由前向通道发送给执行器；执行器：接收数据包后立即更新并执行最新控制律，计算对应的时延τca并由Ctime标记，(τca Ctime)是历史数据的基本单元；传感器：定期采样输出信息y，与执行器上个周期内接收数据包的历史数据和时间戳Stime一并打包由反馈通道发送给缓冲队列；缓冲队列：将接收数据包中的y和τca与各自的历史数据按时序排列，缓冲队列标记最近可用时刻；k时刻可用的时延历史数据H(k)为： H ( k ) = [ τ 1 c a , τ 2 c a , ... , τ n c a ] , 1 = k - n ≥ [ τ n ...
【专利技术属性】
技术研发人员：潘丰，刘婷，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。