针对具有周期性干扰的物联网支持的时间延迟系统,设计迭代学习观测器:考虑随机访问特性的估计方法

《Neurocomputing》:Iterative learning observers for IoT-enabled time-delay systems with periodic disturbances: Random-access-aware estimation

【字体: 大 中 小 】 时间:2026年03月19日 来源:Neurocomputing 6.5

编辑推荐:

  针对物联网环境下时间延迟系统在周期扰动和带宽受限通信下的观测器设计问题,提出两种随机接入协议下的迭代学习观测器,分别处理扰动仅影响状态和同时影响状态与输出的情况,并基于矩阵不等式推导观测器增益,仿真验证其有效性。

  
郭继月|邹雷|李宇曼|陈云
杭州电子科技大学自动化学院,中国杭州310018

摘要

本文研究了在受周期性干扰和带宽限制通信影响的物联网(IoT)支持的时间延迟系统中,观测器设计问题。基于实际IoT场景中空间分布的传感器节点共享受限无线通道的情况,采用随机接入协议来调节数据传输,每次仅允许一个传感器节点访问网络。本文考察了两种干扰结构:(i) 仅影响系统状态的周期性干扰;(ii) 同时影响系统状态和测量输出的周期性干扰。对于每种情况,都开发了一种迭代学习观测器(ILO),以在重复的操作周期中联合估计系统状态和周期性干扰。所提出的ILO确保状态估计误差满足规定的性能水平,尽管存在通信引起的间歇性和周期性干扰的共同影响。通过矩阵不等式推导出了所需ILO存在的充分条件,并据此计算了观测器增益矩阵。仿真研究表明,所提出的面向IoT的观测器设计在随机接入通信约束下能够实现准确的干扰重建和稳健的估计性能。

引言

状态估计技术已被广泛用于重建难以直接测量的状态,这些技术依赖于可用的测量输出。这些技术在机器人技术和信号处理等多个领域得到了广泛应用[5]、[7]、[14]、[22]、[41]、[51]。现有的状态估计技术通常根据噪声类型分为三类:方差约束估计技术,用于处理具有已知统计特性的随机噪声[31]、[56];最终有界估计技术,用于处理未知但有界的噪声[35]、[49];以及估计技术,用于处理能量有界的噪声[21]、[48]、[58]。其中,估计技术因其强大的抑制能量有界噪声的能力而受到广泛关注[11]、[29]、[34]、[44]。
周期性干扰发生在特定频率上,在工业应用中经常出现,例如旋转机械和电力系统[12]、[13]、[16]、[28]。例如,在电力系统中,通常由电力电子元件的频繁切换引起的谐波扰动与开关频率相关[33]、[47]。同样,在旋转机械中,与旋转频率同步的周期性扭矩或力波动通常源于轴承退化引起的转子不平衡[8]、[42]。如果不加以适当处理,这些干扰会显著降低系统性能[1]、[32]。
迭代学习技术特别适合解决这个问题。这些方法基于“通过重复改进”的理念,利用从前一个周期获得的知识来不断提升当前周期的性能[2]、[36]。在周期性干扰估计的背景下,该方法通过结合前一个周期的估计值和估计误差来细化当前周期的干扰估计,最终实现高精度的估计[20]、[23]、[52]、[55]。例如,在[53]中,提出了一种基于迭代学习方法的干扰观测器,用于提高永磁同步电机的速度控制性能。在[24]中,为受复杂干扰影响的柔性航天器开发了一种多速率迭代学习干扰观测器。
据作者所知,当前研究中还存在两个重要空白。首先,对于受周期性干扰影响的时间延迟系统的迭代学习观测器(ILO)设计问题关注较少。其次,大多数研究仅考虑了周期性干扰影响系统状态的情况,而忽略了测量输出也受影响的情况。这些空白促使了本研究的工作。主要目标如下:(i) 为仅受系统状态影响的周期性干扰的时间延迟系统开发一种ILO;(ii) 将设计扩展到系统状态和测量输出都受影响的场景。
随着物联网(IoT)的快速发展,空间分布的传感器与远程估计器/控制器之间的网络传输已成为现代工业自动化和信息物理系统的基石。与传统的点对点布线架构相比,IoT支持的网络化传感提供了显著的优势,包括即插即用安装、灵活部署、可扩展性以及降低维护和布线成本[6]、[9]、[38]、[43]。然而,IoT通信基础设施通常在共享的、带宽有限的无线通道上运行。在这样的环境中,如果不对多个传感器节点的同时数据传输进行协调,可能会导致数据包冲突并降低系统性能。研究表明,允许每次仅一个传感器节点传输的介质访问协议可以有效减少拥塞、提高可靠性并增强IoT网络的能源效率[3]、[17]、[25]、[46]。
大量文献研究了传输调度协议,这些协议通常根据节点选择规则分为三类:随机接入协议(RAP)[26]、[44]、轮询协议[37]、[50]、[54]和尝试一次丢弃协议[27]、[45]。其中,RAP由于其去中心化特性、最小的信号开销以及在大规模传感器网络中的强可扩展性,特别适用于IoT部署[18]。尽管RAP在工业IoT环境中具有优势并得到广泛应用,但尚未系统地研究其在迭代学习观测器设计中的应用,尤其是在周期性干扰同时影响系统状态和测量输出的情况下。现有文献中的这一空白为本研究提供了关键动机。
基于上述讨论,本文解决了在RAP下时间延迟系统的ILO设计问题,考虑了两种情况:周期性干扰仅存在于系统状态中,以及这些干扰同时存在于系统状态和测量输出中。这个问题具有挑战性,具体包括:1) 当周期性干扰仅存在于系统状态时,如何设计一个ILO,在RAP下同时估计系统状态和周期性干扰,同时确保状态估计误差满足所需的性能?2) 当周期性干扰同时存在于系统状态和测量输出中,其他因素保持不变时,如何设计一个ILO以确保状态估计误差满足给定的性能?3) 如何使用新颖的方法和分析工具设计上述两种ILO的增益矩阵?
针对这些挑战,主要贡献总结如下。
  • 1.
    首次将RAP引入到受周期性干扰影响的时间延迟系统的ILO设计问题中,从而有效避免了多个传感器在有限带宽的共享网络上同时传输数据导致的数据冲突。
  • 2.
    与大多数仅考虑周期性干扰影响系统状态而忽略其对测量输出影响的研究不同,本文全面研究了这两种情况。
  • 3.
    提出了两种ILO,用于在上述情况下同时估计系统状态和周期性干扰,同时确保状态估计误差满足规定的性能。
  • 4.
    研究表明,在没有外部有界能量噪声的情况下,所提出的ILO可以完全消除周期性干扰的影响。此外,还开发了一种系统且高效的方法来确定ILO增益矩阵。
  • 本文的其余部分组织如下。第2节阐述了系统模型、RAP、ILO的构建以及性能指标。第3节提出了两种情况下ILO的分析和设计结果:周期性干扰仅存在于系统状态中,以及它们同时存在于测量输出和系统状态中。第4节通过两个仿真示例验证了所提出ILO的有效性。最后,第5节是结论性意见。

    部分摘录

    问题表述和初步分析

    如图1所示,制定了在RAP下时间延迟系统的ILO设计问题。首先考虑周期性干扰仅存在于系统状态的情况。详细介绍了系统模型、RAP、ILO结构以及本文的目标。作为这一表述的扩展,第4节将讨论周期性干扰同时存在于测量输出和系统状态的情况。

    主要结果

    在本节中,首先介绍了在RAP下时间延迟系统的ILO的分析和设计,适用于周期性干扰仅存在于系统状态的情况。然后将结果扩展到周期性干扰同时存在于系统状态和测量输出的情况。

    示例说明

    本节提出了两个仿真实验:第一个实验考虑周期性干扰仅存在于系统状态的情况,第二个实验考虑它们同时存在于测量输出和系统状态的情况。下面介绍了第一个实验,以验证所提出ILO在前一种情况下的有效性。

    结论

    本文研究了在RAP下时间延迟系统的ILO设计问题,包括两种情况:(i) 周期性干扰仅存在于系统状态;(ii) 它们同时存在于测量输出和系统状态。为了防止数据冲突,采用了RAP来调度每个时间点传感器节点对共享网络的访问。对于这两种情况,分别开发了两种不同的ILO,以同时估计系统状态和

    CRediT作者贡献声明

    郭继月:撰写 – 审稿与编辑,撰写 – 原稿,概念化。邹雷:撰写 – 审稿与编辑,概念化。李宇曼:撰写 – 审稿与编辑,监督,方法论,概念化。陈云:监督,方法论,概念化。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

    致谢

    本研究部分得到了中国国家自然科学基金(项目编号62273087)和广东省教育厅研究项目(项目编号2025KTSCX251)的支持。
    郭继月分别于2016年和2025年在山东科技大学获得电气工程与自动化专业的学士学位和控制科学与工程专业的博士学位。2024年2月至2025年2月,他是伦敦布鲁内尔大学计算机科学系的访问博士生。目前,他是杭州电子科技大学自动化学院的博士后研究员。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号