一种基于两层混合网络拓扑结构的分布式估计和控制方法.pdf

摘要
申请专利号：	CN201410252183.6	申请日：	2014.06.09
公开号：	CN104020743A	公开日：	2014.09.03
当前法律状态：	驳回	有效性：	无权
法律详情：	发明专利申请公布后的驳回IPC(主分类):G05B 19/418申请公布日:20140903\|\|\|实质审查的生效IPC(主分类):G05B 19/418申请日:20140609\|\|\|公开
IPC分类号：	G05B19/418	主分类号：	G05B19/418
申请人：	三明学院
发明人：	任雯; 吴龙
地址：	365004 福建省三明市三元区荆东路25号
优先权：
专利代理机构：	厦门市首创君合专利事务所有限公司 35204	代理人：	李雁翔
PDF下载：	PDF下载

内容摘要

本发明公开了一种基于两层混合网络拓扑结构的分布式估计和控制方法，采用OCARI工业无线技术下的两层混合网络拓扑架构，基于交互双模通道感知技术和联邦多源滤波融合理论，提出了一种新的面向工业应用的分布式网络化估计和协作控制方法，建立了全新的具体化的控制系统模型；为了在恶劣的工业现场环境下，更有效的辨识无线信道，提高测量数据的可信度，提出了一种新的交互双模自适应滤波估计算法；第三，为了进一步提高测量数据的精度和滤波器的容错性，采用联邦型多源融合滤波算法对交互双模子滤波器的估计信息进行融合；通过采用以上策略，通过执行器间的协调机制，实现了全局目标控制，具有稳定性好、实时性好、可靠性高、控制性能好的优点。

权利要求书

权利要求书
1.  一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：包括以下步骤：
A、建立控制系统模型，将两层混合工业无线传感器/执行器网络中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型来模拟传感器网络的无线通信链路；
B、采用交互双模自适应滤波估计算法辨识无线信道，提高测量数据的可信度；
C、采用联邦型多源融合滤波算法对步骤B所述的交互双模自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性；
D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。

2.  根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤A进一步包括：
(1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性；
(2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调)和m个传感器；为了便于分析，将上述两层混合工业无线传感器/执行器网络中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为al能接收到ai发出的信息}；顶点ai的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i∈{1，...，n}，则通过在中增加m×n个新的顶点S(S＝S1∪S2，...，∪Sn)，得到整个网络的图新的全体边的集合定义为ai能接收到传感器发出的测量信息}。

3.  根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤B进一步包括：
(1)根据传感器实时采集到的数据，在线自适应估计链路的转移概率矩阵；
(2)将更新得到的转移概率矩阵提供给局部滤波器运行的交互双模滤波算法，从而辨识当前时刻链路的状态；交互双模滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。

4.  根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤D进一步包括：
(1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法；
(2)引入一个协调因子μi，k，进一步协调各执行器的输出，防止振荡，保证系统的全局稳定性。

说明书

说明书一种基于两层混合网络拓扑结构的分布式估计和控制方法
技术领域
本发明涉及控制技术领域，涉及分布式无线网络化控制系统，特别是一种基于两层混合网络拓扑结构的分布式估计和控制方法。
背景技术
随着现代工业的快速发展，生产规模越来越大，控制系统的功能、结构日趋复杂，组成单元分散在广阔的地理区域，闭环控制回路的数量急剧增加，出现了大规模复杂工业控制系统。对于这些大型系统，集中式控制使得整个控制系统信息交换困难，可靠性降低。进入21世纪以后，随着传感、微电子、通信以及信息技术不断进步，出现了廉价、低功耗、高性能、小型化的嵌入式智能终端设备。这些大量分散部署于地理空间上的智能终端(如传感器、执行器、控制器等)通过共享低成本、低功耗、自组织、易部署的无线通信网络交换信息，对传统上分离的物理世界和信息世界能够实现深度融合，衍生出了无线网络化控制系统(Wireless networked control systems，WNCS)。尽管WNCS相比传统控制系统优势明显，但将具有带宽、资源、计算能力、能量受限等特点的无线通信网络引入对可靠性、实时性有苛刻要求的闭环控制系统，客观存在的网络时延和数据丢包将会对系统性能、稳定性造成负面冲击。因此在研究和设计WNCS时，必须同时考虑通信和控制问题，需要相应地采用新方法、新理论来进行联合设计和分析，探索适合于无线网络环境下的控制策略。
同时，大规模网络的潜在特点迫切需要分布式控制。当前，有效的容错机制、高可靠性的分布式估计与协调控制策略、多传感器信息融合方法等领域的研究工作仍然是设计WNCS问题最具挑战的研究方向。
发明内容
为克服现有技术的不足，本发明提供一种稳定性好、实时性好、可靠性高、控制性能好的基于两层混合网络拓扑结构的分布式估计和控制方法。
本发明为达到上述技术目的所采用的技术方案是：一种基于两层混合网络拓扑结构的分布式估计和控制方法，包括以下步骤：
A、建立控制系统模型，将两层混合工业无线传感器/执行器网络中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型来模拟传感器网络的无线通信链路；
B、采用交互双模自适应滤波估计算法辨识无线信道，提高测量数据的可信度；
C、采用联邦型多源融合滤波算法对步骤B所述的交互双模自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性；
D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。
所述步骤A进一步包括：
(1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性；
(2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调)和m个传感器；为了便于分析，将上述两层混合工业无线传感器/执行器网络中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为al能接收到ai发出的信息}；顶点ai的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i∈{1，...，n}，则通过在中增加m×n个新的顶点S(S＝S1∪S2，...，∪Sn)，得到整个网络的图新的全体边的集合定义为ai能接收到传感器发出的测量信息}。
所述步骤B进一步包括：
(1)根据传感器实时采集到的数据，在线自适应估计链路的转移概率矩阵；
(2)将更新得到的转移概率矩阵提供给局部滤波器运行的交互双模滤波算法，从而辨识当前时刻链路的状态；交互双模滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。
所述步骤D进一步包括：
(1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法；
(2)引入一个协调因子μi，k，进一步协调各执行器的输出，防止振荡，保证系统的全局稳定性。
本发明的有益效果是：由于采用了一种具有网状、星型两层混合网络拓扑结构的工业无线技术OCARI，提出了一个解决工厂车间内多个工作区内工业参数的分布式估计和控制问题的有效方法，通过采用交互双模自适应无线通道感知估计算法，能够在恶劣的工业环境下辨识无线通信链路；通过底层星型的传感器网络，实现了联邦型的多传感器滤波融合，进一步提高了测量数据的可靠性、精度和容错性；通过上层网状的执行器网络实施执行器之间的交互和协调控制，能够实现全局控制目标。
附图说明
下面结合附图和实施例对本发明作进一步说明。其中：
图1是本发明中两层混合工业无线传感器/执行器网络的拓扑结构图；
图2是本发明中θk的采样序列图；
图3是本发明中的控制性能比较图；
图4是本发明中的转移概率矩阵的估计曲线图。
附图中的标记编号说明如下：
执行器1、传感器2、执行器网络3、传感器网络4、胞5、车间6、θk的采样序列7、执行器未采用协调机制的控制性能曲线8、执行器间采用协调机制后的控制性能曲线9、ξ11的估计值10、的估计值11、ξ1112、ξ0013
具体实施方式
本发明的实施例，如图1、图2、图3、图4所示，一种基于两层混合网络拓扑结构的分布式估计和控制方法，包括以下步骤：
A、建立控制系统模型，将两层混合工业无线传感器/执行器网络(Industrial Wireless Sensor and Actuator Network，简称IWSAN)中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型来模拟传感器网络的无线通信链路；
B、采用交互双模(Interacting Dual Model，简称IDM)自适应滤波估计算法辨识无线信道，提高测量数据的可信度；
C、采用联邦型多源融合滤波算法对步骤B所述的IDM自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性；
D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。
所述步骤A进一步包括：
(1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性；
(2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调)和m个传感器；为了便于分析，将上述两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为al能接收到ai发出的信息}；顶点ai的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i∈{1，...，n}，则通过在中增加m×n个新的顶点S(S＝S1∪S2，...，∪Sn)，得到整个网络的图新的全体边的集合定义为ai能接收到传感器发出的测量信息}。
所述步骤B进一步包括：
(1)根据传感器实时采集到的数据，在线自适应估计链路的转移概率矩阵(Transition Probability Matrix，简称TPM)；
(2)将更新得到的TPM提供给局部滤波器运行的IDM滤波算法，从而辨识当前时刻链路的状态；IDM滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。
所述步骤D进一步包括：
(1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法；
(2)引入一个协调因子μi，k，进一步协调各执行器的输出，防止振荡，保证系统的全局稳定性。
本发明的技术进一步展开详细说明如下：
本发明设计了一个分布式估计与协调控制系统。为了实现分布式、可靠的网络化控制，我们将一个基于OCARI技术的两层混合网络架构的IWSAN部署在一个生产车间，通过采用如下具体技术实现分布式估计与协调控制：
(1)建立控制系统模型：考虑到无线通信方式易丢包、延迟的特性，首先将两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用一个有向图来描述，即上层传感器网络为网状结构，下层传感器网路为星型结构；其次采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型模拟传感器网络的无线通信链路；
(2)IDM自适应滤波估计算法：为了在恶劣的工业现场环境下，更有效的辨识无线信道，提高测量数据的可信度，提出了一种新的IDM自适应滤波估计算法；
(3)联邦型多源融合滤波算法：为了进一步提高测量数据的精度和滤波器的精度和容错性，采用联邦型多源融合滤波算法对子滤波器采用的步骤(2)所述的IDM自适应滤波的估计信息进行融合；
(4)分布式协调控制算法：通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。
所述步骤(1)中，温度控制系统模型的网络拓扑结构特征具体描述为：
(1.1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器。作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息。通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化系统的协调管理和控制。执行器间的协调机制能够提高系统的可靠性。例如，当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除。此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性。
(1.2)假定在车间内有n个胞域(工作区)，每个胞内部署了一个执行器(空调)和m个传感器。为了便于分析，我们将上述两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述。首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为al能接收到ai发出的信息}。顶点ai的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i∈{1，...，n}，则通过在中增加m×n个新的顶点S(S＝S1∪S2，...，∪Sn)，得到整个网络的图新的全体边的集合定义为ai能接收到传感器发出的测量信息}。
所述步骤(2)的IDM自适应滤波估计算法包括以下步骤：
(2.1)根据传感器实时采集到的数据，在线自适应估计链路的TPM。
(2.2)将更新得到的TPM提供给LF运行的IDM滤波算法，从而辨识当前时刻链路的状态。IDM滤波算法分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。
所述步骤(4)的分布式协调控制算法包括以下两个步骤：
(4.1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法。
(4.2)考虑到步骤(4.1)的无协调控制算法将导致执行器间的输出叠加，产生超调现象，使得各胞域的被控对象不但不能收敛到所期望的用户设定值，反而还可能出现振荡，从而无法保证系统的全局稳定性。因此，引入一个协调因子μi，k，进一步协调各执行器的输出。
本发明基于一种具有网状、星型两层混合网络拓扑结构的工业无线技术OCARI，提出了一个解决工厂车间内多个工作区内工业参数的分布式估计和控制问题的有效方法。通过采用IDM自适应无线通道感知估计算法，能够在恶劣的工业环境下辨识无线通信链路；通过底层星型的传感器网络，实现了联邦型的多传感器滤波融合，进一步提高了测量数据的可靠性、精度和容错性；通过上层网状的执行器网络实施执行器之间的交互和协调控制，能够实现全局控制目标。
为了提高产品质量或满足特定的工艺要求，印刷、纺织、半导体等许多制造产业的生产车间对一些环境参数(如温度、湿度、压力、空气清洁度以及通风状况等)有较为苛刻的要求。为了实现分布式、可靠的网络化控制，我们将一个基于OCARI技术的两层混合网络架构的IWSAN部署在一个生产车间，如图1所示，根据OCARI的特点，所考虑的IWSAN具有网状和星型混合网络拓扑结构，如图1所示。具体描述如下：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器。作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调和融合胞内的传感器信息。通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化系统的协调管理和控制。执行器间的协调机制能够提高系统的可靠性。例如，当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除。此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性。
一、基于图论的两层混合IWSAN结构描述
假定在车间内有n个需要调控工业参数的胞域(工作区)，每个胞内部署了一个执行器(空调)和m个传感器。为了便于分析，我们将上述两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述。
首先，定义的子图，即执行器网络的图为
其中，全体顶点的集合是n个执行器的集合，
全体边的集合定义为al能接收到ai发出的信息}.
顶点ai的全体邻居顶点的集合定义为
若第i个胞内的传感器集合为i∈{1，...，n}.
则通过在中增加m×n个新的顶点S(S＝S1∪S2，...，∪Sn)，
得到整个网络的图新的全体边的集合定义为ai能接收到传感器发出的测量信息}。
二、控制系统模型
本发明考虑下面的离散系统模型：

其中：xi，k，i∈{1，...，n}是第i个胞域内的被控参数的状态，是传感器组提供的广义测量值，和l∈{1，...，n}分别是本地执行器ai和邻居执行器al对xi，k的输入值，gi，wii，wil，
考虑到无线通信方式易丢包、延迟的特性以及恶劣的工业生产环境，下面考虑一个更实际的对象模型。首先，采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程。假定γil，k是一个独立同分布伯努利随机变量，在0与1中取值，即当执行器al成功接收到ai发出的信息时γil，k＝1，否则γil，k＝0。若邻居执行器al成功接收到ai发出的信息后，它的控制单元能根据本发明的协调机制算法，计算一个合适的输出量并作用于ai。因此，在k时刻，xi，k将受到本胞内的执行器ai和所有成功接收到其发出状态信息的邻居执行器的协同作用。根据零输入策略，有
ui,ka=ui,k---(2)]]>
ul,ka=ul,k---(3)]]>
其中：ui，k和ul，k分别是ai和al中控制单元计算的控制律。
其次，使用Gilbert-Elliott模型模拟传感器网络的无线通信链路。在k时刻，定义随机变量θi，k∈{O，l}：θi，k取值1时(记为)，表示数据包成功传输，当取值0时(记为)，表示数包丢失。则网络的通信链路模型可以定义为α＝0，1。为了描述通信链路模型的状态转移特性，采用一个两态马尔科夫链模拟随机变量θi，k，则信链路模型的初始概率向量πi，0和状态转移概率矩阵Ξi分别为
πi,0=πi,00πi,01---(4)]]>
Ξi=ζi00ζi01ξi10ξi11---(5)]]>
其中：πi,0α=Pr{θi,0α}(α=0,1)]]>是初始概率，ξiαβ=Pr{θi,kβ|θi,k-1α}(α,β=0,1)]]>是转移概率：表示当前时刻未接收到数据包，下一时刻仍不会接收到数据包的概率；表示当前时刻成功接收到数据包，下一时刻仍会成功接收到数据包的概率；表示当前时刻未接收到数据包，但下一时刻能成功接收到数据包的概率；表示当前时刻成功接收到数据包，但在下一时刻可能发生数据包丢失情况的概率。
根据上述的随机网络模型，重新给出系统模型：
xk+1=Gxk+W(γk)uk+ωkyk=H(θk)xk+vk---(6)]]>
其中：ωk和vk是均值都为零，协方差分别为Q＞0和R＞0的不相关的高斯白噪声，如果或者γil，k＝0，wil，(γil，k)＝0，H(θk)＝diag(h1(θk)，...，hn(θk))，
控制目标是使每个胞域内的被控参数达到并稳定在一个需要的设定值。若参数设定值为ψk＝[ψ1，k，...，ψn，k]T，则目标代价函数J为

相应的最优控制律为

其中：uk∈uk，uk＝{uτ|τ＝1，...，k}，yk＝{yτ|τ＝1，...，k}。
三、估计与融合
本发明提出了一种新的IDM自适应滤波估计算法，并采用联邦型多源融合滤波算法对各个局部IDM滤波器的估计信息进行融合。工作流程由以下两部分组成：(1)局部滤波器(Local filter，LF)处理阶段：每个执行器中的m个平行结构的子滤波器采用自适应IDM滤波算法，独立预处理自己传感器的测量信息；(2)主滤波器(Main filter，MF)合成处理阶段：对各个局部滤波器的局部估计信息进行联邦型多源信息融合，以得到全局的最优估计，从而提高估计精度和容错性。具体计算过程如下：
1、IDM自适应滤波算法
在上一部分描述了将传感器网络中的无线通信链路模拟为两态马尔科夫链的方法。然而在许多实际情况下，常常无法确定无线网络中通信链路TPM，这在大规模网络中表现的尤为突出。因此，本发明介绍一种新的IDM自适应滤波算法，不仅辨识链路的状态，同时在线后验估计链路的TPM。算法的原理是：
第一步：根据传感器实时采集到的数据，在线自适应估计链路的TPM。
根据贝叶斯(Bayes)公式，可以得到如下转移概率矩阵Ξi的在线估计值链路模型概率πi，k和模型似然估计Λi，k：

πi,k=[πi,k0,πi,k1]T,πi,kβ=ΔPr{θi,kβ|Ξ&OverBar;i,k-1,(yij)k-1},β=0,1---(10)]]>
Λi,k=[Λi,k0,Λi,k1]T,Λi,kβ=ΔP{yθi,kjβ|θi,kβ,Ξ&OverBar;i,k-1,(yij)k-1},β=0,1---(11)]]>
其中：i&Element;{1,...,n},(yij)k={yi,τj|τ=1,...,k}.]]>
根据全概率公式可得：
p[yi,kj|Ξi(yij)k-1]=Σβ=01p[yi,kj|θi,kβ,Ξi,(yij)k-1]Pr{θi,kβ|Ξi,(yij)k-1}=Σβ=01p[yi,kj|θi,kβ,Ξi,(yij)k-1]×Σα=01Pr{θi,kβ|θi,k-1α,Ξi,(yij)k-1}×Pr{θi,k-1α|Ξi(yij)k-1}≈Σβ=01Λi,kβΣα=01ξiαβπi,k-1α=πi,k-1TΞiΛi,k---(12)]]>
在式(12)中采用了下面两式的近似关系：
p[yi,kj|θi,kβ,Ξi,(yij)k-1]≈Λi,kβ---(13)]]>
Pr{θi,k-1α|Ξi,(yij)k-1}≈πi,k-1α---(14)]]>
对于当前的递归循环(k-1)→k，上述局部线性近似等价于将式(12)中未知的Ξi用它的最优估计替换。采用这种近似方法，能够提供较高的近似精度。
根据式(12)，有
p[yi,kj|(yij)k-1]=&Integral;p[yi,kj|Ξi,(yij)k-1]p[Ξi|(yij)k-1]dΞi=&Integral;πi,k-1TΞiΛi,kp[Ξi|(yij)k-1]dΞi=πi,k-1TΞ&OverBar;i,k-1Λi,k---(15)]]>
进一步，可以更新概率转移矩阵的近似后验概率密度函数(Probability Density Function，PDF)为
p[Ξi|(yij)k]=p[yi,kj|Ξi(yij)k-1]p[yi,kj|(yij)k-1]p[Ξi|(yij)k-1]---(16)]]>
将式(12)和式(15)带入式(16)中得：
p[Ξi|(yij)k]=πi,k-1TΞiΛi,kπi,k-1TΞ&OverBar;i,k-1Λi,kp[Ξi|(yij)k-1]---(17)]]>
最后，采用数值积分得到的转移概率矩阵为
Ξ&OverBar;i,k=&Integral;Ξip[Ξi|(yij)k]dΞi=1NΣs=1NΞisp[Ξis|(yij)k]---(18)]]>
第二步：将更新得到的TPM提供给运行于LF中的IDM滤波器，从而辨识当前时刻链路的状态。
IDM自适应滤波算法的基本思想是：通过对两个备选链路模型和同步估计，根据自适应更新的TPM计算出混合模型概率，从而得到链路模态的联合估计。下面定义在k时刻，无线链路模型为α＝0，1，传感器的测量信息被对应的LF预处理后的估计值和估计误差方差分别为

本发明中，IDM自适应滤波算法的具体计算步骤如下：
步骤1：混合链路模型
在k时刻，计算链路模型和的混合概率如下
ξi,kβ|α=ξ&OverBar;i,k-1βαπi,k-1βΣβ=01ξ&OverBar;i,k-1βαπi,k-1β---(21)]]>
其中：是k-1时刻链路模型的概率，转移概率的Bayesian后验估计值可由式(18)计算得到。接下来计算每个滤波器的混合输入(估计和方差)如下：
x~i,k-1j,α=Σβ=01ξi,kβ\αx^i,k-1|k-1j,β---(22)]]>
P~i,k-1j,α=Σβ=01ξi,kβ\α×{Pi,k-1|k-1j,β+[x^i,k-1|k-1j,β-x~i,k-1j,α]×[x^i,k-1|k-1j,β-x~i,k-1j,α]T}---(23)]]>
其中：和是模型在k-1时刻更新的估计和方差。
步骤2：信息Kalman滤波(Information Kalman Filler，IKF)
对每一个链路模型采用如下IKF算法：
(1) 预测(IKFu)：
x^i,k|kj,α=Pi,k|kj,α(Pi,k|k-1j,α)-1x^i,k|k-1j,α+Pi,k|kj,α(hij(θi,kα))T(Rij)-1yi,kj,α(Pi,k|kj,α)-1=(Pi,k|k-1j,α)-1+(hij(θi,kα))T(Rij)-1hij(θi,kα)]]>
(2) 更新(IKFp)：

其中：Qij=βijQi.]]>
步骤3：更新链路模型概率
根据贝叶斯公式，每个链路模型在k时刻的概率更新为
πi,kα=(Σβ=01ξ&OverBar;i,k-1βαξi,k-1β)Λi,kαΣα=01(Σβ=01(ξ&OverBar;i,k-1βαξi,k-1β)Λi,kα)---(24)]]>
步骤4：联合估计
在k时刻，状态估计和方差的联合估计算法为
x^i,k|kj=Σα=01πi,kαx^i,k|kj,α---(25)]]>
Pi,k|kj=Σα=01πi,kα×{Pi,k|ki,α+[x^i,k|kj,α-x^i,k|kj]×[x^i,k|kj,α-x^i,k|kj]T}---(26)]]>
2、联邦多传感器信息估计融合
为了确保提出的IWSAN适应恶劣的工业车间环境，下面采用基于联邦滤波器的分散化滤波技术对IDM局部滤波器的信息进行融合，进一步提高估计精度和容错性能。一般来说，联邦滤波器的工作流程包括信息分配、信息的时间更新、信息的量测更新和信息融合四个过程。
为了消除每个胞域内的各IDM局部滤波器间的相关性，根据如下信息分配原则，有其中，是第jIDM局部滤波器的分配系数，并满足信

如预测(IKFu)方程所示。信息的量测更新只在各个IDM局部滤波器中进行，可由更新(IKFp)方程计算得到。众所周知，的大小能够反映IDM局部滤波器的测量精度，从信息的角度也反映了该IDM局部滤波器所能提供的测量信息量。定义一个信息变量可以得到最优信息分配方法为

融合，得到全局状态最优估计
Pi,k|kg=[(Pi,k|k1)-1+(Pi,k|k2)-1+...+(Pi,k|km)-1]-1x^i,k|kg=Pi,k|kg[(Pi,k|k1)-1x^i,k|k1+(Pi,k|k2)-1x^i,k|k2+(Pi,k|km)-1x^i,k|km]---(27)]]>
为了将单个IDM局部滤波器的故障限制在自身，方便隔离处理，避免相互之间的交叉污染，采用无重置结构，在提高精度的同时，使得容错能力进一步增强。
四、分布式协调控制
通过运行上述本发明的IDM估计滤波算法和联邦滤波融合算法，每个胞内的执行器可以得到各自胞域参数的估计值。通过执行器网络，每个执行器与邻居执行器之间交互信息后，可以决定一个局部控制输出。下面，在不考虑执行器与其邻居执行器输出的耦合作用的情况下，介绍无协调的执行器局部最优控制算法。
将系统(6)的输入矩阵W(γk)中的所有非零元素用数值1替换，得到一个对称布尔矩阵即图的邻接矩阵：

根据图和执行器网络的不确定性，定义一个行选择矩阵来选择执行器ai在k时刻从自身和ρi，k个邻居执行器获取的信息，即
Γi,k=[elT]l|wli′(γli,k)=1,l=1,...,n---(29)]]>
因此，在k时刻，执行器ai能够接收到的有效信息可以表示为
ψi，k＝Γi，kψk (30)
Xi,k+1=Gi,kXi,k+W&OverBar;kuk+Ωi,k---(31)]]>
其中：Xi，k＝Γi，kxk，Ωi，k＝Γi，kωk，Ωi，k的协方差为
任一个执行器ai，i＝1，...，n，若仅考虑自身的控制效果，则控制目标是使得自身所在的胞域和邻居胞域内的温度稳定在一个用户设定值，相应的局部控制目标代价函数为

对于ai，i＝1，...，n，在不考虑与其邻居执行器输出的耦合作用的情况下，其k时刻的局部最优控制律为

其中：X^i,k|k=Γi,k[x^1,k|kg,...,x^n,k|kg]T,]]>是矩阵的第i列。
证明过程如下：
根据式(32)，有
将式(31)代入式(34)可得

选择uk，使得Jik+1极小，等价为

求解Vi，k+1对uk的偏导数，并令偏导数等于零，即
&PartialD;Vi,k+1&PartialD;uk=2W&OverBar;kTW&OverBar;kuk+2W&OverBar;kT(Gi,kX^i,k|k-Ψi,k+1)=0---(37)]]>
其中，可得如式(33)所示最优控制律。由于u1，k，u2，k，...，un，k都是相互独立计算的，因此在不考虑邻居执行器的影响时，为k时刻执行器ai的一个局部最优控制律，定理得证。
由前面的描述可知，邻居执行器之间可以相互作用，即它们的输出存在耦合。这意味着如果各个执行器只是根据局部最优控制律决定各自的输出，则可能导致输出叠加，产生超调现象，使得各胞的被控参数不但不能收敛到所期望的用户设定值，反而还可能出现振荡，从而无法保证系统的全局稳定性。因此，引入一个协调因子μi，k，使得执行器的输出为

本发明中，执行器ai的协调因子μi，k的计算方法为：(1)在k时刻，每一个执行器ai的有效邻居执行器通过执行器网络接收到信息集合(2)每个执行器al计算集合中与自身的控制量符号相同的元素的个数λl，k，即在时刻k可能对执行器al产生输出叠加的邻居执行器的个数；(3)根据ρi，k和λl，k计算ai的协调因子μi，k
μi,k=1ρi,kΣal&Element;Nai1λl,k---(39)]]>
其中：ρi，k为执行器ai的全体邻居执行器的个数，1≤ρi，k≤n。
五、温度控制实例
下面通过一个温度控制的实例来说明本发明的效果。考虑如一个基于两层混合IWSAN的车间温度控制问题，如图1所示。假定在一个100m×100m的车间内有7个对温度值有期望要求的胞域，每个胞域内有1个执行器(中央空调)和5个温度传感器。根据实际生产工艺的需要，7个胞域的期望温度区间为[10(℃)，40(℃)]。系统参数为n＝7，m＝5，gii＝0.9，i∈{1，...7}，ωk和vk是均值为零的高斯白噪声，当γk＝1时，输入矩阵W(γk)的元素在[0，1]中随机取值，执行器网络的数据包到达率为对于传感器网络，假定θ1，k＝θ2，k＝...＝θ7，k＝θk，a＝0，1，链路初始模型概率为π0＝[0.50.5]，真实的TPM参数为ξ00＝0.3，ξ11＝0.9。
若设定总的采样步数F，每个执行器接收到传感器发送的数据包的总个数为Δ(也就是模型出现的总次数)。假定传感器网络中的无线链路模型状态θk从切换到的次数为大约Δξ10，让表示θk保持在状态的次数，则可以估计出θk保持在状态的平均次数

进一步，在序列θk中出现的总次数可以被近似描述为Δξ10/(ξ01)2，因此可知：
Δ+Δξ10(ξ01)2≈F---(41)]]>
上面的等式可以重写为下面的等价形式
Δ≈(ξ01)2ξ10+(ξ01)2F---(41)]]>
若令F＝100，则Δ≈83，Δξ10≈9，可以估算出传感器网络中链路传输数据的成功率约为83％。Tloss的近似分布如表1所示，θk的采样序列如图2所示。
图3展示了系统的控制性能。可以看出，如果不采用执行器间的协调机制，系统控制目标代价函数有20％的抖动，系统无法稳定，性能较差；在引入协调因子后，有效降低了邻居执行器间的耦合作用对系统的影响，使得整个温度控制系统趋于稳定。图4展示了TPM在线自适应估计算法的收敛性，估计值和从任意初值0.5分别趋近各自的真实值0.3和0.9，证实了算法的有效性。通过以上结合附图和温度控制的实例对本发明具体实施的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。
以上以温度控制为例子对本发明的具体实施过程进行了描述和说明，应该被认为只是示例性的，本发明的实施不限于此，本领域的技术人员能自然的将本发明的设计方法推广，用于解决各类工业参数(如湿度、压力、空气清洁度以及通风状况等)的分布式估计与控制问题。

资源描述

《一种基于两层混合网络拓扑结构的分布式估计和控制方法.pdf》由会员分享，可在线阅读，更多相关《一种基于两层混合网络拓扑结构的分布式估计和控制方法.pdf（19页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104020743 A (43)申请公布日 2014.09.03 C N 1 0 4 0 2 0 7 4 3 A (21)申请号 201410252183.6 (22)申请日 2014.06.09 G05B 19/418(2006.01) (71)申请人三明学院地址 365004 福建省三明市三元区荆东路 25号 (72)发明人任雯吴龙 (74)专利代理机构厦门市首创君合专利事务所有限公司 35204 代理人李雁翔 (54) 发明名称一种基于两层混合网络拓扑结构的分布式估计和控制方法 (57) 摘要本发明公开了一种基于两层混合网络拓扑结构的分布式估计和控。

2、制方法，采用OCARI工业无线技术下的两层混合网络拓扑架构，基于交互双模通道感知技术和联邦多源滤波融合理论，提出了一种新的面向工业应用的分布式网络化估计和协作控制方法，建立了全新的具体化的控制系统模型；为了在恶劣的工业现场环境下，更有效的辨识无线信道，提高测量数据的可信度，提出了一种新的交互双模自适应滤波估计算法；第三，为了进一步提高测量数据的精度和滤波器的容错性，采用联邦型多源融合滤波算法对交互双模子滤波器的估计信息进行融合；通过采用以上策略，通过执行器间的协调机制，实现了全局目标控制，具有稳定性好、实时性好、可靠性高、控制性能好的优点。 (51)Int.Cl. 权。

3、利要求书2页说明书14页附图2页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书2页说明书14页附图2页 (10)申请公布号 CN 104020743 A CN 104020743 A 1/2页 2 1.一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：包括以下步骤： A、建立控制系统模型，将两层混合工业无线传感器/执行器网络中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用 Gilbert-Elliott模型来模拟传感器。

4、网络的无线通信链路； B、采用交互双模自适应滤波估计算法辨识无线信道，提高测量数据的可信度； C、采用联邦型多源融合滤波算法对步骤B所述的交互双模自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性； D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。 2.根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤A进一步包括： (1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；。

5、作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性； (2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调)和m个传感器；为了便于分析，将上述两层混合工业。

6、无线传感器/执行器网络中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为a l 能接收到a i 发出的信息；顶点a i 的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i1，.， n，则通过在中增加mn个新的顶点S(SS 1 S 2 ，.，S n )，得到整个网络的图新的全体边的集合定义为a i 能接收到传感器发出的测量信息。 3.根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤B进一步包括： (1)根据传感器实时采集到的数据。

7、，在线自适应估计链路的转移概率矩阵； (2)将更新得到的转移概率矩阵提供给局部滤波器运行的交互双模滤波算法，从而辨识当前时刻链路的状态；交互双模滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。权利要求书CN 104020743 A 2/2页 3 4.根据权利要求1所述的一种基于两层混合网络拓扑结构的分布式估计和控制方法，其特征在于：所述步骤D进一步包括： (1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法； (2)引入一个协调因子 i，k ，进一步协调各执行器的输出，防止振荡，保证系。

8、统的全局稳定性。权利要求书CN 104020743 A 1/14页 4 一种基于两层混合网络拓扑结构的分布式估计和控制方法技术领域 0001 本发明涉及控制技术领域，涉及分布式无线网络化控制系统，特别是一种基于两层混合网络拓扑结构的分布式估计和控制方法。背景技术 0002 随着现代工业的快速发展，生产规模越来越大，控制系统的功能、结构日趋复杂，组成单元分散在广阔的地理区域，闭环控制回路的数量急剧增加，出现了大规模复杂工业控制系统。对于这些大型系统，集中式控制使得整个控制系统信息交换困难，可靠性降低。进入21世纪以后，随着传感、微电子、通信以及信息技术不断进步，出现了廉价。

9、、低功耗、高性能、小型化的嵌入式智能终端设备。这些大量分散部署于地理空间上的智能终端(如传感器、执行器、控制器等)通过共享低成本、低功耗、自组织、易部署的无线通信网络交换信息，对传统上分离的物理世界和信息世界能够实现深度融合，衍生出了无线网络化控制系统(Wireless networked control systems，WNCS)。尽管WNCS相比传统控制系统优势明显，但将具有带宽、资源、计算能力、能量受限等特点的无线通信网络引入对可靠性、实时性有苛刻要求的闭环控制系统，客观存在的网络时延和数据丢包将会对系统性能、稳定性造成负面冲击。因此在研究和设计WNCS时，必须同时考虑通信。

10、和控制问题，需要相应地采用新方法、新理论来进行联合设计和分析，探索适合于无线网络环境下的控制策略。 0003 同时，大规模网络的潜在特点迫切需要分布式控制。当前，有效的容错机制、高可靠性的分布式估计与协调控制策略、多传感器信息融合方法等领域的研究工作仍然是设计 WNCS问题最具挑战的研究方向。发明内容 0004 为克服现有技术的不足，本发明提供一种稳定性好、实时性好、可靠性高、控制性能好的基于两层混合网络拓扑结构的分布式估计和控制方法。 0005 本发明为达到上述技术目的所采用的技术方案是：一种基于两层混合网络拓扑结构的分布式估计和控制方法，包括以下步骤： 0006 A、建立控制系统。

11、模型，将两层混合工业无线传感器/执行器网络中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型来模拟传感器网络的无线通信链路； 0007 B、采用交互双模自适应滤波估计算法辨识无线信道，提高测量数据的可信度； 0008 C、采用联邦型多源融合滤波算法对步骤B所述的交互双模自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性； 0009 D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制。

12、，实现全局目标。 0010 所述步骤A进一步包括：说明书CN 104020743 A 2/14页 5 0011 (1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选。

13、设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性； 0012 (2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调)和 m个传感器；为了便于分析，将上述两层混合工业无线传感器/执行器网络中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为a l 能接收到a i 发出的信息；顶点a i 的全体邻居顶点的集合定义为若第i个胞内的传感器集合为 i1，.，n，则。

14、通过在中增加mn个新的顶点S(SS 1 S 2 ，.，S n )，得到整个网络的图新的全体边的集合定义为a i 能接收到传感器发出的测量信息。 0013 所述步骤B进一步包括： 0014 (1)根据传感器实时采集到的数据，在线自适应估计链路的转移概率矩阵； 0015 (2)将更新得到的转移概率矩阵提供给局部滤波器运行的交互双模滤波算法，从而辨识当前时刻链路的状态；交互双模滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。 0016 所述步骤D进一步包括： 0017 (1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执。

15、行器局部最优控制算法； 0018 (2)引入一个协调因子 i，k ，进一步协调各执行器的输出，防止振荡，保证系统的全局稳定性。 0019 本发明的有益效果是：由于采用了一种具有网状、星型两层混合网络拓扑结构的工业无线技术OCARI，提出了一个解决工厂车间内多个工作区内工业参数的分布式估计和控制问题的有效方法，通过采用交互双模自适应无线通道感知估计算法，能够在恶劣的工业环境下辨识无线通信链路；通过底层星型的传感器网络，实现了联邦型的多传感器滤波融合，进一步提高了测量数据的可靠性、精度和容错性；通过上层网状的执行器网络实施执行器之间的交互和协调控制，能够实现全局控制目标。附图说明 0。

16、020 下面结合附图和实施例对本发明作进一步说明。其中：说明书CN 104020743 A 3/14页 6 0021 图1是本发明中两层混合工业无线传感器/执行器网络的拓扑结构图； 0022 图2是本发明中 k 的采样序列图； 0023 图3是本发明中的控制性能比较图； 0024 图4是本发明中的转移概率矩阵的估计曲线图。 0025 附图中的标记编号说明如下： 0026 执行器1、传感器2、执行器网络3、传感器网络4、胞5、车间6、 k 的采样序列7、执行器未采用协调机制的控制性能曲线8、执行器间采用协调机制后的控制性能曲线9、 11 的估计值10、的估计值11、 11 12、 00 。

17、13 具体实施方式 0027 本发明的实施例，如图1、图2、图3、图4所示，一种基于两层混合网络拓扑结构的分布式估计和控制方法，包括以下步骤： 0028 A、建立控制系统模型，将两层混合工业无线传感器/执行器网络(Industrial Wireless Sensor and Actuator Network，简称IWSAN)中执行器和传感器间的无线通信链路关系用一个有向图来描述，上层传感器网络为网状结构，下层传感器网路为星型结构；采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型来模拟传感器网络的无线通信链路； 0029 B、采用交互双模。

18、(Interacting Dual Model，简称IDM)自适应滤波估计算法辨识无线信道，提高测量数据的可信度； 0030 C、采用联邦型多源融合滤波算法对步骤B所述的IDM自适应滤波的估计信息进行融合，进一步提高测量数据的精度和滤波器的精度和容错性； 0031 D、采用分布式协调控制算法通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。 0032 所述步骤A进一步包括： 0033 (1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器；作为本胞的协调器和融合中心，。

19、执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息；通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化控制系统的协调管理和控制；执行器间的协调机制能够提高系统的可靠性；当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除；此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性； 0034 (2)假定在车间内有n个胞(工作区)，每个胞内部署了一个执行器(空调) 和m个传感器；为了便于分析，将上述两层混合IWSAN中执行器和。

20、传感器、执行器和执行器间的无线通信链路关系用图来描述；首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为a l 能接收到a i 发出的信息；顶点a i 的全体邻居顶点的集合定说明书CN 104020743 A 4/14页 7 义为若第i个胞内的传感器集合为i1，.， n，则通过在中增加mn个新的顶点S(SS 1 S 2 ，.，S n )，得到整个网络的图新的全体边的集合定义为a i 能接收到传感器发出的测量信息。 0035 所述步骤B进一步包括： 0036 (1)根据传感器实时采集到的数据，在线自适应估计链路的转移概率矩阵 (Tran。

21、sition Probability Matrix，简称TPM)； 0037 (2)将更新得到的TPM提供给局部滤波器运行的IDM滤波算法，从而辨识当前时刻链路的状态；IDM滤波算法则分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。 0038 所述步骤D进一步包括： 0039 (1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法； 0040 (2)引入一个协调因子 i，k ，进一步协调各执行器的输出，防止振荡，保证系统的全局稳定性。 0041 本发明的技术进一步展开详细说明如下： 0042 本发明设计了一。

22、个分布式估计与协调控制系统。为了实现分布式、可靠的网络化控制，我们将一个基于OCARI技术的两层混合网络架构的IWSAN部署在一个生产车间，通过采用如下具体技术实现分布式估计与协调控制： 0043 (1)建立控制系统模型：考虑到无线通信方式易丢包、延迟的特性，首先将两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用一个有向图来描述，即上层传感器网络为网状结构，下层传感器网路为星型结构；其次采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程，使用Gilbert-Elliott模型模拟传感器网络的无线通信链路； 0044 (2)IDM自适应滤波估计算法：为。

23、了在恶劣的工业现场环境下，更有效的辨识无线信道，提高测量数据的可信度，提出了一种新的IDM自适应滤波估计算法； 0045 (3)联邦型多源融合滤波算法：为了进一步提高测量数据的精度和滤波器的精度和容错性，采用联邦型多源融合滤波算法对子滤波器采用的步骤(2)所述的IDM自适应滤波的估计信息进行融合； 0046 (4)分布式协调控制算法：通过上层网状的执行器网络实施执行器之间的协调控制，实现全局目标。 0047 所述步骤(1)中，温度控制系统模型的网络拓扑结构特征具体描述为： 0048 (1.1)控制系统模型中的两层混合网络拓扑结构可进一步描述为：车间中的每个工作区可以抽象为一个胞(Ce。

24、ll)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器。作为本胞的协调器和融合中心，执行器通过下层的星型传感器网络负责协调或融合胞内的传感器信息。通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化系统的协调管理和控制。执行器间的协说明书CN 104020743 A 5/14页 8 调机制能够提高系统的可靠性。例如，当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除。此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠。

25、性。 0049 (1.2)假定在车间内有n个胞域(工作区)，每个胞内部署了一个执行器(空调) 和m个传感器。为了便于分析，我们将上述两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述。首先，定义的子图，即执行器网络的图为其中，全体顶点的集合是n个执行器的集合，全体边的集合定义为a l 能接收到a i 发出的信息。顶点a i 的全体邻居顶点的集合定义为若第i个胞内的传感器集合为i1，.， n，则通过在中增加mn个新的顶点S(SS 1 S 2 ，.，S n )，得到整个网络的图新的全体边的集合定义为a i 能接收到传感器发出的测量信息。 0050 所述步骤。

26、(2)的IDM自适应滤波估计算法包括以下步骤： 0051 (2.1)根据传感器实时采集到的数据，在线自适应估计链路的TPM。 0052 (2.2)将更新得到的TPM提供给LF运行的IDM滤波算法，从而辨识当前时刻链路的状态。IDM滤波算法分为混合链路模型、信息Kalman滤波、更新链路模型概率、联合估计四个步骤。 0053 所述步骤(4)的分布式协调控制算法包括以下两个步骤： 0054 (4.1)在不考虑执行器与其邻居执行器输出的耦合作用的情况下，每个执行器采用一种无协调的执行器局部最优控制算法。 0055 (4.2)考虑到步骤(4.1)的无协调控制算法将导致执行器间的输出叠加，产生超。

27、调现象，使得各胞域的被控对象不但不能收敛到所期望的用户设定值，反而还可能出现振荡，从而无法保证系统的全局稳定性。因此，引入一个协调因子 i，k ，进一步协调各执行器的输出。 0056 本发明基于一种具有网状、星型两层混合网络拓扑结构的工业无线技术OCARI，提出了一个解决工厂车间内多个工作区内工业参数的分布式估计和控制问题的有效方法。通过采用IDM自适应无线通道感知估计算法，能够在恶劣的工业环境下辨识无线通信链路；通过底层星型的传感器网络，实现了联邦型的多传感器滤波融合，进一步提高了测量数据的可靠性、精度和容错性；通过上层网状的执行器网络实施执行器之间的交互和协调控制，能够实现全。

28、局控制目标。 0057 为了提高产品质量或满足特定的工艺要求，印刷、纺织、半导体等许多制造产业的生产车间对一些环境参数(如温度、湿度、压力、空气清洁度以及通风状况等)有较为苛刻的要求。为了实现分布式、可靠的网络化控制，我们将一个基于OCARI技术的两层混合网络架构的IWSAN部署在一个生产车间，如图1所示，根据OCARI的特点，所考虑的IWSAN具有网状和星型混合网络拓扑结构，如图1所示。具体描述如下：车间中的每个工作区可以抽象为一个胞(Cell)，每个胞内部署了一个执行器(内嵌控制单元)和一组传感器。作为本胞说明书CN 104020743 A 6/14页 9 的协调器和融合中。

29、心，执行器通过下层的星型传感器网络负责协调和融合胞内的传感器信息。通过网状结构的上层执行器网络，每个执行器与它的邻居执行器之间能够交互信息，从而围绕全局目标实现整个网络化系统的协调管理和控制。执行器间的协调机制能够提高系统的可靠性。例如，当某个执行器出现故障时，它的邻居执行器能够成为候选设备接替它的工作直至故障消除。此外，传感器网络所采用的单跳、固定的星型拓扑结构能够有效提高数据传输的到达率，降低网络调度的复杂度，从而提高系统的实时性和可靠性。 0058 一、基于图论的两层混合IWSAN结构描述 0059 假定在车间内有n个需要调控工业参数的胞域(工作区)，每个胞内部署了一个执行器。

30、(空调)和m个传感器。为了便于分析，我们将上述两层混合IWSAN中执行器和传感器、执行器和执行器间的无线通信链路关系用图来描述。 0060 首先，定义的子图，即执行器网络的图为 0061 其中，全体顶点的集合是n个执行器的集合， 0062 全体边的集合定义为a l 能接收到a i 发出的信息. 0063 顶点a i 的全体邻居顶点的集合定义为 0064 若第i个胞内的传感器集合为i1，.，n. 0065 则通过在中增加mn个新的顶点S(SS 1 S 2 ，.，S n )， 0066 得到整个网络的图新的全体边的集合定义为 a i 能接收到传感器发出的测量信息。 0067 二、控制系统模型 0。

31、068 本发明考虑下面的离散系统模型： 0069 0070 其中：x i，k ，i1，.，n是第i个胞域内的被控参数的状态，是传感器组提供的广义测量值，和l1，.，n分别是本地执行器 a i 和邻居执行器a l 对x i，k 的输入值，g i ，w ii ，w il ， 0071 考虑到无线通信方式易丢包、延迟的特性以及恶劣的工业生产环境，下面考虑一个更实际的对象模型。首先，采用独立同分布模型来模拟执行器网络中无线通信链路的丢包过程。假定 il，k 是一个独立同分布伯努利随机变量，在0与1中取值，即当执行器a l 成功接收到a i 发出的信息时 il，k 1，否则 il，k 0。若邻居。

32、执行器a l 成功接收到a i 发出的信息后，它的控制单元能根据本发明的协调机制算法，计算一个合适的输出量并作用于a i 。因此，在k时刻，x i，k 将受到本胞内的执行器a i 和所有成功接收到其发出状态信说明书CN 104020743 A 7/14页 10 息的邻居执行器的协同作用。根据零输入策略，有 0072 0073 0074 其中：u i，k 和u l，k 分别是a i 和a l 中控制单元计算的控制律。 0075 其次，使用Gilbert-Elliott模型模拟传感器网络的无线通信链路。在k时刻，定义随机变量 i，k O，l： i，k 取值1时(记为)，表示数据包成功传。

33、输，当取值0时 (记为)，表示数包丢失。则网络的通信链路模型可以定义为0，1。为了描述通信链路模型的状态转移特性，采用一个两态马尔科夫链模拟随机变量 i，k ，则信链路模型的初始概率向量 i，0 和状态转移概率矩阵 i 分别为 0076 0077 0078 其中：是初始概率，是转移概率：表示当前时刻未接收到数据包，下一时刻仍不会接收到数据包的概率；表示当前时刻成功接收到数据包，下一时刻仍会成功接收到数据包的概率；表示当前时刻未接收到数据包，但下一时刻能成功接收到数据包的概率；表示当前时刻成功接收到数据包，但在下一时刻可能发生数据包丢失情况的概率。 0079 根据上述的随机网络模型，。

34、重新给出系统模型： 0080 0081 其中： k 和v k 是均值都为零，协方差分别为Q0和R0的不相关的高斯白噪声，如果或者 il，k 0，w il， ( il，k )0，H( k )diag(h 1 ( k )，.，h n ( k )， 0082 控制目标是使每个胞域内的被控参数达到并稳定在一个需要的设定值。若参数设定值为 k 1，k ，.， n，k T ，则目标代价函数J为 0083 0084 相应的最优控制律为 0085 说明书CN 104020743 A 10 8/14页 11 0086 其中：u k u k ，u k u |1，.，k，y k y |1，.，k。 008。

35、7 三、估计与融合 0088 本发明提出了一种新的IDM自适应滤波估计算法，并采用联邦型多源融合滤波算法对各个局部IDM滤波器的估计信息进行融合。工作流程由以下两部分组成：(1)局部滤波器(Local lter，LF)处理阶段：每个执行器中的m个平行结构的子滤波器采用自适应IDM 滤波算法，独立预处理自己传感器的测量信息；(2)主滤波器(Main lter，MF)合成处理阶段：对各个局部滤波器的局部估计信息进行联邦型多源信息融合，以得到全局的最优估计，从而提高估计精度和容错性。具体计算过程如下： 0089 1、IDM自适应滤波算法 0090 在上一部分描述了将传感器网络中的无线通信链路。

36、模拟为两态马尔科夫链的方法。然而在许多实际情况下，常常无法确定无线网络中通信链路TPM，这在大规模网络中表现的尤为突出。因此，本发明介绍一种新的IDM自适应滤波算法，不仅辨识链路的状态，同时在线后验估计链路的TPM。算法的原理是： 0091 第一步：根据传感器实时采集到的数据，在线自适应估计链路的TPM。 0092 根据贝叶斯(Bayes)公式，可以得到如下转移概率矩阵 i 的在线估计值链路模型概率 i，k 和模型似然估计 i，k ： 0093 0094 0095 0096 其中： 0097 根据全概率公式可得： 0098 0099 在式(12)中采用了下面两式的近似关系：说明书。

37、CN 104020743 A 11 9/14页 12 0100 0101 0102 对于当前的递归循环(k-1)k，上述局部线性近似等价于将式(12)中未知的 i 用它的最优估计替换。采用这种近似方法，能够提供较高的近似精度。 0103 根据式(12)，有 0104 0105 进一步，可以更新概率转移矩阵的近似后验概率密度函数(Probability Density Function，PDF)为 0106 0107 将式(12)和式(15)带入式(16)中得： 0108 0109 最后，采用数值积分得到的转移概率矩阵为 0110 0111 第二步：将更新得到的TPM提供给运行于LF中的IDM滤。

38、波器，从而辨识当前时刻链路的状态。 0112 IDM自适应滤波算法的基本思想是：通过对两个备选链路模型和同步估计，根据自适应更新的TPM计算出混合模型概率，从而得到链路模态的联合估计。下面定义在 k时刻，无线链路模型为0，1，传感器的测量信息被对应的LF预处理后的估计值和估计误差方差分别为 0113 0114 0115 本发明中，IDM自适应滤波算法的具体计算步骤如下： 0116 步骤1：混合链路模型 0117 在k时刻，计算链路模型和的混合概率如下说明书CN 104020743 A 12 10/14页 13 0118 0119 其中：是k-1时刻链路模型的概率，转移概率的Baye。

39、sian后验估计值可由式(18)计算得到。接下来计算每个滤波器的混合输入(估计和方差)如下： 0120 0121 0122 其中：和是模型在k-1时刻更新的估计和方差。 0123 步骤2：信息Kalman滤波(Information Kalman Filler，IKF) 0124 对每一个链路模型采用如下IKF算法： 0125 (1) 预测(IKF u )： 0126 0127 (2) 更新(IKF p )： 0128 0129 其中： 0130 步骤3：更新链路模型概率 0131 根据贝叶斯公式，每个链路模型在k时刻的概率更新为 0132 0133 步骤4：联合估计 0134 在k时刻，状。

40、态估计和方差的联合估计算法为 0135 0136 0137 2、联邦多传感器信息估计融合 0138 为了确保提出的IWSAN适应恶劣的工业车间环境，下面采用基于联邦滤波器的分说明书CN 104020743 A 13 11/14页 14 散化滤波技术对IDM局部滤波器的信息进行融合，进一步提高估计精度和容错性能。一般来说，联邦滤波器的工作流程包括信息分配、信息的时间更新、信息的量测更新和信息融合四个过程。 0139 为了消除每个胞域内的各IDM局部滤波器间的相关性，根据如下信息分配原则，有其中，是第jIDM局部滤波器的分配系数，并满足信 0140 0141 如预测(IKF u )方程。

41、所示。信息的量测更新只在各个IDM局部滤波器中进行，可由更新(IKF p )方程计算得到。众所周知，的大小能够反映IDM局部滤波器的测量精度，从信息的角度也反映了该IDM局部滤波器所能提供的测量信息量。定义一个信息变量可以得到最优信息分配方法为 0142 0143 融合，得到全局状态最优估计 0144 0145 为了将单个IDM局部滤波器的故障限制在自身，方便隔离处理，避免相互之间的交叉污染，采用无重置结构，在提高精度的同时，使得容错能力进一步增强。 0146 四、分布式协调控制 0147 通过运行上述本发明的IDM估计滤波算法和联邦滤波融合算法，每个胞内的执行器可以得到各自胞域参数。

42、的估计值。通过执行器网络，每个执行器与邻居执行器之间交互信息后，可以决定一个局部控制输出。下面，在不考虑执行器与其邻居执行器输出的耦合作用的情况下，介绍无协调的执行器局部最优控制算法。 0148 将系统(6)的输入矩阵W( k )中的所有非零元素用数值1替换，得到一个对称布尔矩阵即图的邻接矩阵： 0149 0150 根据图和执行器网络的不确定性，定义一个行选择矩阵来选择执行器a i 在k时刻从自身和 i，k 个邻居执行器获取的信息，即 0151 0152 因此，在k时刻，执行器a i 能够接收到的有效信息可以表示为说明书CN 104020743 A 14 12/14页 15 01。

43、53 i，k i，k k (30) 0154 0155 其中：X i，k i，k x k ， i，k i，k k ， i，k 的协方差为 0156 任一个执行器a i ，i1，.，n，若仅考虑自身的控制效果，则控制目标是使得自身所在的胞域和邻居胞域内的温度稳定在一个用户设定值，相应的局部控制目标代价函数为 0157 0158 对于a i ，i1，.，n，在不考虑与其邻居执行器输出的耦合作用的情况下，其k时刻的局部最优控制律为 0159 0160 其中：是矩阵的第i列。 0161 证明过程如下： 0162 根据式(32)，有 0163 将式(31)代入式(34)可得 0164 0165 选。

44、择u k ，使得J ik+1 极小，等价为 0166 0167 求解V i，k+1 对u k 的偏导数，并令偏导数等于零，即说明书CN 104020743 A 15 13/14页 16 0168 0169 其中，可得如式(33)所示最优控制律。由于u 1，k ，u 2， k ，.，u n，k 都是相互独立计算的，因此在不考虑邻居执行器的影响时，为k时刻执行器 a i 的一个局部最优控制律，定理得证。 0170 由前面的描述可知，邻居执行器之间可以相互作用，即它们的输出存在耦合。这意味着如果各个执行器只是根据局部最优控制律决定各自的输出，则可能导致输出叠加，产生超调现象，使得各胞的被控。

45、参数不但不能收敛到所期望的用户设定值，反而还可能出现振荡，从而无法保证系统的全局稳定性。因此，引入一个协调因子 i，k ，使得执行器的输出为 0171 0172 本发明中，执行器a i 的协调因子 i，k 的计算方法为：(1)在k时刻，每一个执行器a i 的有效邻居执行器通过执行器网络接收到信息集合 (2)每个执行器a l 计算集合中与自身的控制量符号相同的元素的个数 l，k ，即在时刻k可能对执行器a l 产生输出叠加的邻居执行器的个数；(3)根据 i，k 和 l，k 计算a i 的协调因子 i，k 0173 0174 其中： i，k 为执行器a i 的全体邻居执行器的个数，1 i。

46、，k n。 0175 五、温度控制实例 0176 下面通过一个温度控制的实例来说明本发明的效果。考虑如一个基于两层混合 IWSAN的车间温度控制问题，如图1所示。假定在一个100m100m的车间内有7个对温度值有期望要求的胞域，每个胞域内有1个执行器(中央空调)和5个温度传感器。根据实际生产工艺的需要，7个胞域的期望温度区间为10()，40()。系统参数为n7，m 5，g ii 0.9，i1，.7， k 和v k 是均值为零的高斯白噪声，当 k 1时，输入矩阵W( k )的元素在0，1中随机取值，执行器网络的数据包到达率为对于传感器网络，假定 1，k 2，k . 7，k k ，a0，1。

47、，链路初始模型概率为 0 0.50.5，真实的TPM参数为 00 0.3， 11 0.9。 0177 若设定总的采样步数F，每个执行器接收到传感器发送的数据包的总个数为 (也就是模型出现的总次数)。假定传感器网络中的无线链路模型状态 k 从切换到的次数为大约 10 ，让表示 k 保持在状态的次数，则可以估计出 k 保持在状态的平均次数 0178 说明书CN 104020743 A 16 14/14页 17 0179 进一步，在序列 k 中出现的总次数可以被近似描述为 10 /( 01 ) 2 ，因此可知： 0180 0181 上面的等式可以重写为下面的等价形式 0182 0183 。

48、若令F100，则83， 10 9，可以估算出传感器网络中链路传输数据的成功率约为83。T loss 的近似分布如表1所示， k 的采样序列如图2所示。 0184 图3展示了系统的控制性能。可以看出，如果不采用执行器间的协调机制，系统控制目标代价函数有20的抖动，系统无法稳定，性能较差；在引入协调因子后，有效降低了邻居执行器间的耦合作用对系统的影响，使得整个温度控制系统趋于稳定。图4展示了 TPM在线自适应估计算法的收敛性，估计值和从任意初值0.5分别趋近各自的真实值0.3和0.9，证实了算法的有效性。通过以上结合附图和温度控制的实例对本发明具体实施的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。 0185 以上以温。

展开阅读全文