基于数据的网络控制系统的时滞建模与补偿控制

时滞问题是网络控制系统（NCS）重要研究内容。本项目针对NCS时滞的非线性 、时变、重复性、周期性等特点，直接利用网络中可测的输入输出数据，对网络时滞进行建模和补偿。主要针对控制器到执行器之间的时滞（不可直接测得）建模。根据其统计特征，采用阈值自回归方法、T-S模糊建模等方法进行建模。在此基础上，结合一定的控制方法设计时滞补偿器。其次，根据网络时滞的周期性、重复性等特点，基于迭代学习辨识的迭代学习控制方法，设计前馈反馈结合的时滞补偿器。并研究其他数据驱动方法（如去伪控制算法、无模型自适应控制方法）是否适用于设计网络时滞补偿器。再次，探讨基于数据的网络时滞补偿控制器的总体设计的结构框架和方案。最后，将THJ-2型高级过程控制系统连入几类代表性网络，应用本项目提出的理论方法，验证其补偿网络时滞的有效性。本项目为网络时滞的建模和补偿提供新颖的控制策略，具有重要的学术和应用价值。

时滞问题是网络控制系统（NCS）的重要研究内容。本项目针对NCS 时滞的非线性、时变、重复、周期性等特点，直接利用网络中可测的输入输出数据，对网络时滞进行建模和补偿。根据网络时滞的统计特征，采用阈值自回归方法、马尔科夫模型、T-S 模糊等方法进行建模，构建了时间分割切换模型、可以增长和修剪的T-S嵌套模糊跳变系统模型以及一种新型的运用建立状态空间模型对网络时延进行预测的方法。在采用阈值理论建立的时间分割切换模型的基础上， 结合GPC方法设计时滞补偿控制方案，并基于遗传算法对切换序列进行优化改进；将T-S模糊控制理论和GPC控制算法结合起来对网络时滞进行补偿，证明该算法具有稳定性和鲁棒性等其他性态。讨论T-S嵌套模糊跳变系统保成本控制器和H无穷控制器的设计方法。 其次，基于迭代学习辨识的迭代学习控制方法，设计时滞补偿器。设计智能型PD迭代学习时滞补偿算法，放宽初态定位要求，允许迭代初态在收敛性条件范围内任意设置，充分利用时间域和迭代域的信息，对未知参数设计相应的自适应律，并用鲁棒控制项补偿系统中的干扰。基于Lyapunov稳定性理论，分析算法的收敛性，在初态学习的基础上得到模糊自适应迭代学习算法，神经网络自适应迭代学习算法，粒子群自适应迭代学习控制算法。此外，设计了引入排队序列机制的改进型自适应系统辨识广义预测控制算法、变死区采样控制下的T-S模糊PID控制算法，结合改进的重置控制系统，应用于无线网络控制系统网络延时补偿中，不仅提高了系统的控制性能（缩短系统调节时间，减小系统超调量），还减小了网络负载，节约了网络资源，有效地优化控制系统的网络服务质量（QoS）和控制性能（QoP）。最后，将THJ-2 型高过程控制系统连入几类代表性网络，应用本项目提出的理论方法，验证其补偿网络时滞的有效性。