中文摘要：

本项目主要研究存在多个传感器和多个执行器的网络控制系统中的动态调度问题。拟采用基于时延在线预测的多速率变采样周期动态调度策略，根据当前采样周期的时延预测值实时调整各网络控制回路的采样周期和带宽分配。为了提高时延在线预测的精度和速度，本项目一方面通过引入K-均值聚类时延量化算法和基于最大互信息的模型训练算法来提高网络时延的离散隐马尔可夫模型训练精度和时延预测精度；另一方面通过设计时延预测均方误差指标来选择离散隐马尔可夫模型的更新周期和更新时使用的历史时延数据量，以提高时延在线预测速度。基于这种精确、高效的时延在线预测，本项目设计的多速率变采样周期网络调度与带宽分配策略将进一步提高控制网络的带宽利用率，改善控制网络的服务质量。通过搭建机械臂网络化遥操作实验台，验证和完善所设计的网络调度与带宽分配策略。

结论摘要：

网络的引入不仅会降低网络化控制系统的动态性能和稳态性能，甚至会导致系统不稳定。本项目从网络调度这个角度出发，研究了具有多个传感器和执行器的网络控制系统中的网络资源调度策略，从而提高网络资源利用率，降低网络对系统的不良影响。本项目主要研究内容包括 (1) 改进网络随机时延的离散隐马尔可夫模型网络时延实际上并不总是满足某一范围内的平均分布，为了进一步提高离散隐马尔可夫模型与实际网络特性的吻合程度，本项研究利用K-均值聚类算法实现离散隐马尔可夫模型中的时延量化，使得量化结果更加接近实际网络时延分布特征。 (2) 利用离散隐马尔可夫模型预测网络随机时延当采用K-均值聚类算法进行时延量化后，时延预测值的选择由Viterbi算法得到的时延所在类的聚类中心与时延所在区间的中点共同决定。此外，考虑到网络化控制系统对实时性要求较高，同时实际网络中相邻网络状态变化较为缓慢以及短时间内网络状态相对稳定，所以并不需要每个采样周期都对随机时延模型进行参数重估。本项研究把历史采样周期内前向通道随机时延的预测值与其实际值之间的均方误差作为指标来衡量网络状态变化是否相对稳定，从而决定是否需要在当前采样周期内对时延模型参数进行重估。 (3) 基于随机时延预测值设计动态调度策略当多个控制回路共处同一网络环境下，如何合理的分配网络资源以及数据包发送的优先顺序是网络控制系统面临的主要问题。针对这一问题，本项研究将实时调度理论引入到网络控制系统中，提出了一种最优的动态调度算法──最早截止期优先动态调度算法，该算法的特性是根据任务距离时限要求的长短动态分配任务的优先级，具有较强的环境适应性。本项目在以上研究内容都取得了诸多重要研究成果。相关研究成果发表论文35篇，其中SCI、EI收录15篇，获安徽省科学技术奖一等奖1项，获发明专利2项，培养研究生14名。本项研究成果的意义在于通过建立高精度随机时延模型揭示了随机时延的分布规律并改善了随机时延的预测精度，从而设计了更为合理的动态调度策略，解决随机时延对网络控制系统性能的影响。