2 北京科技大学学报 第34卷 传输也会产生时间延迟、数据包丢失等问题回，这 y(k+1)= 也是建立NCS必须考虑的问题.也正因为存在这些 f()y(k)+5(k)y(k-1)+g(k)u(k).(2) 问题，又使其成为了研究的热点-).NCS的迅猛发 本文主要应用了黄金分割控制器山 展，使得各种控制方法不断成功应用到这一领域，也 促进了各种控制方法在应用领域的不断改进®-) u.()=-1 L()(k)+L2(k)y(k-1) 8o()+7(k) 虽然目前主要的网络控制方法已取得了不少的 (3) 控制效果，但综合考虑丢包和延时关键性能指标的 式中：(k)=y()-y(k),L,=0.382,L2=0.618; 控制算法仍比较缺乏，控制效能尚有进一步提升的 n()为一个很小的正数：y,(k)为期望输出：f(k)、 空间. f(k)和(k)分别为(k)、5(k)和go(k)的估计 本文将特征模型和模糊特征模型这两种智能自 值.值得指出的是，在控制器(3)中引入调节参数 适应控制方法首次应用到NCS中，通过Simulink的 a1,其中a1∈(01].当网络不存在时延和丢包 Truetime工具箱建立仿真模型，主要分析时延和丢 时，4，取值为1：当网络存在时延和丢包时，a,取值 包对闭环网络控制系统的影响. 为a,∈(01)，且a1的取值随网络QoS(quality of 1问题描述 service,服务质量)降低而降低.不难看出，当网络 不存在时延和丢包时，所提控制器将简化为传统的 NCS主要由控制对象、传感器、执行器、控制器 特征模型自适应控制方法；当网络存在时延和丢包 和计算机网络五个部分组成.其结构示意图如图1 时，控制器通过调节α1来补偿时延和丢包对控制系 所示. 统性能的影响 零阶保持器 被控对象一传感器一采样开关 方(k)()和g()的辨识则是通过递推最小 二乘或投影辨识算法. 网铬时延t 数字控制器 网路时延t 「中(k)=(,y(k-1),u(k)], (4) 图1闭环网络控制系统示意图 0(k)=匠(k),52(),8(A]. Fig.1 Structure of NCS 则 y(k+1)=b()0(k). (5) 2特征模型自适应控制方法 递推最小二乘法： P(k-1)b(k-1) 基于特征模型的全系数自适应控制理论和方法 最早是由吴宏鑫院士于20世纪80年代提出，经过 K()1+(P(-1(-1) 0(k)=0(k-1)+K(AG(k)- (6) 30余年的发展及应用，已经在非常多的领域，尤其 中(k-1)0(k-1)], 是航天领域取得了巨大的成功. P(k)=-K()b(A]P(k-1). 对于参数未知、高阶线性定常的线性系统和一 式中，P(O)选定为正定对角矩阵 类非线性系统，有时不能建立一个清晰的低阶模型， 递推投影算法)： 针对工程中时常遇到的这种困难，文献10们提出了 0(k)=0(k-1)+- a中(k-1) 特征建模新方法.所谓特征模型，就是结合被控对 +'(k-1)0(k-)65()- 象的动力学特征和控制性能要求进行建模：在同样 b(k-1)0(k-1)]. (7) 输入控制作用下，对象特征模型和实际被控对象在 式中，0<a<2,c>0. 输出上是等价的（即在动态过程中能保持在允许的 输出误差内），在稳定情况下输出是相等的. 3模糊动态特征模型自适应控制方法 特征模型控制器主要有维持跟踪控制器、黄金 模糊动态特征建模方法是对一般特征建模方法 分割控制器、逻辑微分控制器和逻辑积控制器 的推广，是在划分的模糊子空间中分别进行高效特 基于特征模型智能自适应控制器设计如下. 征建模，然后通过线性加权的方式有效整合，形成全 对于工程上常见的线性定常高阶对象G(s), 局系统模糊模型. G()=6+b-s-1+…+bs+山。 (1) 设模糊动态特征模型共有？条模糊规则，其基 s”+n-1s-l+…+a1s+a0 本形式如下： 可以用一个二阶的慢时变的差分方程来表示)，即 R={R)-1=北 京 科 技 大 学 学 报 第 34 卷 传输也会产生时间延迟、数据包丢失等问题［3］，这 也是建立 NCS 必须考虑的问题． 也正因为存在这些 问题，又使其成为了研究的热点［4--7］． NCS 的迅猛发 展，使得各种控制方法不断成功应用到这一领域，也 促进了各种控制方法在应用领域的不断改进［8--9］． 虽然目前主要的网络控制方法已取得了不少的 控制效果，但综合考虑丢包和延时关键性能指标的 控制算法仍比较缺乏，控制效能尚有进一步提升的 空间． 本文将特征模型和模糊特征模型这两种智能自 适应控制方法首次应用到 NCS 中，通过 Simulink 的 Truetime 工具箱建立仿真模型，主要分析时延和丢 包对闭环网络控制系统的影响． 1 问题描述 NCS 主要由控制对象、传感器、执行器、控制器 和计算机网络五个部分组成． 其结构示意图如图 1 所示． 图 1 闭环网络控制系统示意图 Fig． 1 Structure of NCS 2 特征模型自适应控制方法 基于特征模型的全系数自适应控制理论和方法 最早是由吴宏鑫院士于 20 世纪 80 年代提出，经过 30 余年的发展及应用，已经在非常多的领域，尤其 是航天领域取得了巨大的成功． 对于参数未知、高阶线性定常的线性系统和一 类非线性系统，有时不能建立一个清晰的低阶模型， 针对工程中时常遇到的这种困难，文献［10］提出了 特征建模新方法． 所谓特征模型，就是结合被控对 象的动力学特征和控制性能要求进行建模; 在同样 输入控制作用下，对象特征模型和实际被控对象在 输出上是等价的( 即在动态过程中能保持在允许的 输出误差内) ，在稳定情况下输出是相等的． 特征模型控制器主要有维持跟踪控制器、黄金 分割控制器、逻辑微分控制器和逻辑积控制器． 基于特征模型智能自适应控制器设计如下． 对于工程上常见的线性定常高阶对象 G( s) ， G( s) = bm s m + bm － 1 s m － 1 + … + b1 s + b0 s n + an － 1 s n － 1 + … + a1 s + a0 ， ( 1) 可以用一个二阶的慢时变的差分方程来表示［11］，即 y( k + 1) = f1 ( k) y( k) + f2 ( k) y( k － 1) + g0 ( k) u( k) ． ( 2) 本文主要应用了黄金分割控制器［11］: ug ( k) = － α1 L1 ^ f1 ( k) y^( k) + L2 ^ f2 ( k) y( k － 1) g^ 0 ( k) + η( k) ． ( 3) 式中: y^( k) = y( k) － yr ( k) ，L1 = 0. 382，L2 = 0. 618; η( k) 为一个很小的正数; yr ( k) 为期望输出; ^ f1 ( k) 、 ^ f2 ( k) 和 g^ 0 ( k) 分别为 f1 ( k) 、f2 ( k) 和 g0 ( k) 的估计 值． 值得指出的是，在控制器( 3) 中引入调节参数 α1，其中 α1 ∈( 0 1］． 当网络不存在时延和丢包 时，α1 取值为 1; 当网络存在时延和丢包时，α1 取值 为 α1∈( 0 1) ，且 α1 的取值随网络 QoS ( quality of service，服务质量) 降低而降低． 不难看出，当网络 不存在时延和丢包时，所提控制器将简化为传统的 特征模型自适应控制方法; 当网络存在时延和丢包 时，控制器通过调节 α1 来补偿时延和丢包对控制系 统性能的影响． ^ f1 ( k) 、^ f2 ( k) 和 g^ 0 ( k) 的辨识则是通过递推最小 二乘或投影辨识算法． T ( k) =［y( k) ，y( k － 1) ，u( k) ］， θT ( k) =［^ f1 ( k) ，^ f2 ( k) ，g^ 0 { ( k) ］. ( 4) 则 y( k + 1) = T ( k) θ( k) ． ( 5) 递推最小二乘法［11］: K( k) = P( k － 1) ( k － 1) 1 + T ( k － 1) P( k － 1) ( k － 1) ， ^ θ( k) = ^ θ( k － 1) + K( k) ［y( k) － T ( k － 1) ^ θ( k － 1) ］， P( k) =［I － K( k) T ( k) ］P( k － 1)        . ( 6) 式中，P( 0) 选定为正定对角矩阵． 递推投影算法［11］: θ( k) = θ( k － 1) + a( k － 1) c + T ( k － 1) θ( k － 1) ［y( k) － T ( k － 1) θ( k － 1) ］． ( 7) 式中，0 ＜ a ＜ 2，c ＞ 0． 3 模糊动态特征模型自适应控制方法 模糊动态特征建模方法是对一般特征建模方法 的推广，是在划分的模糊子空间中分别进行高效特 征建模，然后通过线性加权的方式有效整合，形成全 局系统模糊模型． 设模糊动态特征模型共有 r 条模糊规则，其基 本形式如下: R = { Ri } r i = 1 = ·2·