Настройка сети датчиков с отказами на основе анизотропийного критерия

Аннотация

Рассмотрена задача настройки коммуникационной схемы, ассоциированной с матрицей смежности, между отдельными неидеальными датчиками, вероятности безотказной работы которых известны. В качестве объекта оценивания выбрана линейная дискретная нестационарная модель в пространстве состояний, на которую действуют внешние возмущения с неточно заданными стохастическими характеристиками. Для внешних возмущений определена верхняя граница анизотропии расширенного вектора, состоящего из всех элементов возмущающей последовательности. Датчики объединены в общую сеть, где каждый отдельный узел может использовать не только собственные измерения для построения оценки желаемого выхода, но и измерения, полученные от соседних датчиков. Модель учитывает отказ конкретных датчиков, где отказы имеют распределение Бернулли. Под отказом понимаются случайные показания измерительного прибора, не содержащие полезной информации. В качестве критерия выступает анизотропийная норма системы в ошибках оценивания от возмущающего воздействия к ошибке оцениваемого выхода. Задача состоит в подборе таких коэффициентов матрицы смежности, при которых значение анизотропийной нормы в ошибках оценивания не превосходит некоторое пороговое значение. Решение задачи сводится к численной процедуре решения специальной системы матричных неравенств, обеспечивающих ограниченность анизотропийной нормы системы в ошибках оценивания

Просьба ссылаться на эту статью следующим образом:

Юрченков А.В. Настройка сети датчиков с отказами на основе анизотропийного критерия. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки, 2023, № 1 (106), с. 45--63. DOI: https://doi.org/10.18698/1812-3368-2023-1-45-63

Литература

[1] Whitehouse K., Culler D. Calibration as parameter estimation in sensor networks. WSNA’02, 2002, pp. 59--67. DOI: https://doi.org/10.1145/570738.570747

[2] Wahba S.K., Dandamudi S., Dalton A.R., et al. NePTune: optimizing sensor networks. Proc. 17th Int. Conf. on Comp. Comm. and Networks, 2008. DOI: https://doi.org/10.1109/ICCCN.2008.ECP.82

[3] Corsini P., Masci P., Vecchio A. Configuration and tuning of sensor network applications through virtual sensors. IEEE PERCOMW’06, 2006, pp. 5--32. DOI: https://doi.org/10.1109/PERCOMW.2006.32

[4] Becnel T., Sayahi T., Kelly K., et al. A recursive approach to partially blind calibration of a pollution sensor network. IEEE ICESS, 2019. DOI: https://doi.org/10.1109/ICESS.2019.8782523

[5] Cui J., Liu Y., Wei K., et al. Research on clock source correction method based on wireless sensor network and TPSN network protocol. J. Phys.: Conf. Ser., 2020, vol. 1449, art. 012047. DOI: http://dx.doi.org/10.1088/1742-6596/1449/1/012047

[6] Stankovic M.S., Stankovic S.S., Johansson K.H., et al. On consensus-based distributed blind calibration of sensor networks. Sensors, 2018, vol. 18, iss. 11, art. 4027. DOI: https://doi.org/10.3390/s18114027

[7] Stankovic M.S., Stankovic S.S., Johansson K.H. Asynchronous distributed blind calibration of sensor networks under noisy measurements. IEEE Trans. Control. Netw. Syst., 2018, vol. 5, iss. 1, pp. 571--582. DOI: https://doi.org/10.1109/TCNS.2016.2633788

[8] Delaine F., Lebental B., Rivano H. In situ calibration algorithms for environmental sensor networks: a review. IEEE Sens. J., 2019, vol. 19, iss. 15, pp. 5968--5978. DOI: https://doi.org/10.1109/JSEN.2019.2910317

[9] Semyonov A.V., Vladimirov I.G., Kurdyukov A.P. Stochastic approach to H-optimization. IEEE CDC, 1994, pp. 2249--2250. DOI: https://doi.org/10.1109/CDC.1994.411485

[10] Владимиров И.Г., Курдюков А.П., Семенов А.В. Анизотропия сигналов и энтропия линейных стационарных систем. ДАН, 1995, т. 342, № 5, с. 583--585.

[11] Владимиров И.Г., Даймонд Ф., Клоеден П.Е. Анизотропийный анализ робастного качества линейных нестационарных дискретных систем на конечном временном интервале. Автоматика и телемеханика, 2006, № 8, с. 92--111.

[12] Vladimirov I.G., Kurdjukov A.P., Semyonov A.V. On computing the anisotropic norm of linear discrete-time-invariant systems. IFAC Proceedings Volumes, 1996, vol. 96, iss. 1, pp. 3057--3062. DOI: https://doi.org/10.1016/S1474-6670(17)58144-6

[13] Kustov A.Yu. State-space formulas for anisotropic norm of linear discrete time varying stochastic system. CCE, 2018. DOI: https://doi.org/10.1109/ICEEE.2018.8533987

[14] Юрченков А.В., Кустов А.Ю., Курдюков А.П. Условия ограниченности анизотропийной нормы системы с мультипликативными шумами. ДАН, 2016, т. 467, № 4, c. 396--399. DOI: http://dx.doi.org/10.7868/S0869565216100078

[15] Yurchenkov A.V. Anisotropy-based controller design for linear discrete-time systems with multiplicative noise. J. Comput. Syst. Sci. Int., 2018, vol. 57, no. 6, pp. 864--873. DOI: https://doi.org/10.1134/S1064230718060138

[16] Belov I.R., Yurchenkov A.V., Kustov A.Yu. Anisotropy-based bounded real lemma for multiplicative noise systems: the finite horizon case. MED, 2019, pp. 148--152. DOI: https://doi.org/10.1109/MED.2019.8798565

[17] Kustov A.Yu., Yurchenkov A.V. Finite-horizon anisotropic estimator design in sensor networks. IEEE CDC, 2020, pp. 4330--4335. DOI: https://doi.org/10.1109/CDC42340.2020.9304239

[18] Кустов А.Ю., Юрченков А.В. Анизотропийная фильтрация для нестационарной системы при потере измерений на основе коррекции выхода. Матер. 15-й Междунар. конф. "Устойчивость и колебания нелинейных систем управления". М., ИПУ РАН, 2020, c. 256--259.

[19] Kustov A., Yurchenkov A. Finite-horizon anisotropy-based estimation with packet dropouts. IFAC--Papers OnLine, 2020, vol. 53, iss. 2, pp. 4516--4520. DOI: https://doi.org/10.1016/j.ifacol.2020.12.468

[20] Тимин В.Н., Чайковский М.М., Курдюков А.П. Решение задачи анизотропийной субоптимальной фильтрации методом выпуклой оптимизации. ДАН, 2012, т. 444, № 6, c. 612--615.

[21] Тимин В.Н., Курдюков А.П. Анизотропийная многокритериальная нестационарная фильтрация на конечном горизонте. ДАН, 2015, т. 464, № 3, с. 279--283. DOI: https://doi.org/10.7868/S0869565215270055

[22] Vladimirov I.G., Diamond P., Kloeden P. Anisotropy-based robust performance analysis of linear discrete time varying systems. CADSMAP Research Report 01-01. The University of Queensland, 2001.

[23] Yurchenkov A.V., Kustov A.Yu. Sensor network adjusting based on anisotropic criterion. ICSC, 2021, pp. 268--273. DOI: https://doi.org/10.1109/ICSC50472.2021.9666624

[24] Shen B., Wang Z., Hung Y.S. Distributed H_∞-consensus filtering in sensor networks with multiple missing measurements: the finite horizon case. Automatica, 2010, vol. 46, iss. 10, pp. 1682--1688. DOI: https://doi.org/10.1016/j.automatica.2010.06.025

[25] Zhang R., Xue A., Gao F. Model predictive control. Approaches based on the extended state space model and extended non-minimal state space model. Singapore, Springer, 2019. DOI: https://doi.org/10.1007/978-981-13-0083-7