基于神经网络的非线性信息物理系统预设性能滑模安全控制研究

本文针对非线性信息物理系统(CPS)在恶意网络攻击、未知初始状态及多重干扰下的安全控制难题，提出了一种具有预设瞬态性能的神经网络滑模弹性控制方法。研究团队通过设计预定义时间收敛准则和动态性能约束机制，结合径向基函数神经网络(RBFNN)快速逼近技术，实现了轨迹跟踪误差的收敛时间与动态行为的双重预设，解决了传统预设性能控制(PPC)对初始值依赖和收敛时间不可控的缺陷。仿真验证表明该方法能有效提升CPS在复杂攻击环境下的控制精度与鲁棒性，为非线性CPS安全控制提供了新思路。

　　

随着工业4.0时代的到来，信息物理系统(Cyber-Physical Systems, CPS)作为连接数字世界与物理实体的核心载体，其安全性问题日益凸显。现实中的CPS往往面临三重威胁：网络层的恶意攻击（如DoS拒绝服务、FDI虚假数据注入）、物理层的参数扰动，以及无处不在的外部干扰。更棘手的是，现有研究多聚焦线性CPS控制，而实际工程中90%以上的系统本质是非线性的——用线性模型近似会引入显著误差。传统预设性能控制(Prescribed Performance Control, PPC)虽能约束系统瞬态表现，却存在"初始值魔咒"：性能约束函数的参数设置严重依赖跟踪误差初始值，一旦初始误差超出预设范围就会导致系统崩溃；更无法满足工程中对收敛时间的精确控制需求。

针对这一系列挑战，来自信息融合技术重点实验室的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。他们巧妙融合神经网络与滑模控制理论，为非线性CPS打造了一把"智能安全锁"——不仅能抵御网络攻击和干扰，还可像设定闹钟般精确预设系统误差的收敛时间。这项研究突破了传统PPC的两大桎梏：通过设计零初始值的过渡函数，将实际跟踪误差转化为新变量，彻底摆脱对初始状态的依赖；更首创预定义时间收敛(Predefined-Time Convergence, PDTC)稳定性准则，使收敛时间成为可直接设定的参数。

研究采用三大关键技术：1) 基于速度函数的PDTC稳定性分析框架，建立系统收敛时间与控制器参数的显式关系；2) 改进型径向基函数神经网络(RBFNN)权重更新律，使网络权重具有预定义时间收敛特性，提升对系统不确定部分的逼近速度与精度；3) 结合双曲正切函数的动态约束转换技术，将受约束跟踪误差映射为无约束变量。这些方法协同作用，构建出具有严格数学保证的控制体系。

神经网络逼近未知函数的预定义时间设计
研究团队为RBFNN设计了革命性的权重更新算法。传统神经网络权重或无法收敛，或收敛时间不可控，导致逼近误差波动大。新算法引入时间基准函数，使权重在设定时间内快速收敛至最优值，实验显示逼近速度提升40%，为控制器提供更精确的不确定性补偿。

基于神经网络的保性能滑模控制器设计
通过创新性地将跟踪误差θ_i
(t)与性能约束函数ρ(t)的比值转化为双曲正切函数S(v_i
(t))，构建出无约束变量v_i
(t)。基于此设计的滑模控制器能严格保证-ρ(t)<>_i
(t)<>_c
内稳定，且超调量、收敛速度等动态指标均符合预设要求。

仿真环境验证
在二自由度机械臂CPS平台上进行对比实验：当遭受幅值20N·m的FDI攻击时，传统滑模控制的跟踪误差超调达35%，而新方法将其压缩至5%以内；更惊人的是，设定收敛时间为2秒时，实际收敛时间误差不超过0.15秒。在参数扰动±30%的极端条件下，新控制器仍保持预定性能，展现出强大鲁棒性。

这项研究为非线性CPS安全控制带来三大突破：首次实现跟踪误差收敛时间与瞬态性能的双重预设，突破传统PPC的理论局限；提出的PDTC-RBFNN架构为智能控制算法的时间可控性研究开辟新方向；工程友好的设计使其无需精确系统模型即可部署。正如评审专家指出，该成果"重新定义了网络攻击下CPS的弹性控制标准"，不仅适用于工业机器人，还可拓展至智能电网、无人驾驶等关键领域，为构建安全可信的智能化基础设施提供核心技术支撑。