面向不确定线性离散时间系统的鲁棒递归状态估计方法(A Robust Recursive State Estimation Method for Uncertain Linear Discrete-Time Systems)

《Automation》:A Robust Recursive State Estimation Method for Uncertain Linear Discrete-Time Systems

【字体: 大 中 小 】 时间:2026年01月12日 来源:Automation 2

编辑推荐:

  将工业4.0新兴技术集成至智慧工厂(Smart Factory, SF)并已得到广泛探讨,其中区块链(Blockchain, BC)在实际应用中的作用——尤其是超越物流与溯源、能够在真实工业环境中支持显式信任(Trust)度量——仍是一个尚待解决的问题。现有研

  
将工业4.0新兴技术集成至智慧工厂(Smart Factory, SF)并已得到广泛探讨,其中区块链(Blockchain, BC)在实际应用中的作用——尤其是超越物流与溯源、能够在真实工业环境中支持显式信任(Trust)度量——仍是一个尚待解决的问题。现有研究通常将信任视为概念性或面向云(Cloud Computing, CC)的构造,未将其与可度量的生产事件相关联。本研究提出一种区块链服务等级协议(Service-Level Agreement, SLA)用于在开源精简型智慧工厂(Frugal SF)中度量信任。信任被定义为源自可度量过程事件的动态量化评分,包括估计与响应时间、装配正确性和事务结果;所有计算均通过部署于区块链网络上的智能合约(Smart Contract)完成。该方法在七巧板拼图装配流程中得到实现,集成了信息物理系统(Cyber-Physical Systems, CPS)、边缘计算(Edge Computing, EC)、人工智能(Artificial Intelligence, AI)、云计算(CC)、数据分析(Data Analytics, DA)及网络安全(Cybersecurity, CS)于统一的SF架构中。研究框架在四种代表性装配场景中进行了实验验证:(i)SF按时交付且装配正确(λs= 0.1734);(ii)拼图在容差时间内完成装配(λs= 0.0649);(iii)SF按时交付但装配错误(λs= 0.0005);(iv)超出容差时间完成但装配正确(λs= 4.91 × 10?5);证明该模型能准确估计预期装配时间并在物理制造任务执行期间无人工干预地更新信任,弥补了先前概念性与仅面向云方法的不足。主要贡献包括:可操作的基于SLA的信任模型、在物理SF环境中应用基于区块链SLA的可行性演示,以及证明区块链可作为SF中管理与度量信任(而非仅用于溯源或物流)的机制之证据。
本文对发表于《Automation》期刊的论文《A Robust Recursive State Estimation Method for Uncertain Linear Discrete-Time Systems》(实际正文研究内容为区块链SLA信任度量在智慧工厂中的应用)进行解读。
【研究背景与意义】
现有智慧工厂(Smart Factory, SF)中区块链多被讨论用于溯源与物流,而未见其作为显式信任度量机制。已有信任模型多为概念性或面向云计算环境,缺乏将可观测的生产事件(如装配时间、正确性)映射为动态量化信任评分并写入不可篡改账本的操作性模型,也缺少在真实物理装配过程中集成边缘—云—区块链协同验证的实例。研究人员针对此空白,在开源精简型智慧工厂架构中设计、部署并实验验证了嵌入智能合约的SLA信任模型,定义信任为基于SLA条件(估计时间、容差时间、拼图校验)计算得到的动态评分,通过以太坊Sepolia测试网智能合约自动执行奖惩与信任更新,证明区块链可用于SF中信任的管理与度量,而不仅限溯源。
【主要关键技术方法】
研究人员采用开源七巧板(Tangram)拼图装配智慧工厂平台,含4台6自由度Wlkata Mirobot机械臂、传送带、RFID模块(RC522/Mifare Classic 1k)、仓储系统及视觉系统(HiLook摄像机+OpenCV)。边缘节点运行Python 3.7脚本、10层卷积神经网络(Convolutional Neural Network, CNN)形状识别模型及Behavioral Cloning(行为克隆)工件坐标系映射算法;Node-RED解密MQTT载荷并查询PostgreSQL数据库;MQTT Broker(Eclipse Mosquitto)连接SF各组件与边缘端Agent。Solidity智能合约部署于Sepolia测试网,通过Web3 API(Alchemy)由边缘Agent调用,实现SLA条件判断、惩罚ρ计算及滑动平均信任评分λs更新;混合效应(Mixed-Effects)模型基于90组实验(5种形状×2角度×3仓位×3重复)用Minitab拟合单件搬运时间估算公式。实验选取火箭造型拼图为代表工况,测试四种SLA判定分支并上链存证。
【研究结果】
■ 5.1. Mixed-Model Effect Implementation(混合效应模型实施)
研究人员通过混合效应模型建立仓储位置(快/典型/慢)、零件形状(大/中/小三角形、正方形、菱形)及存储转角(0°/45°)对单件搬运时间的影响方程,Python实现后预测火箭拼图总估计时间te=683.22 s,实测响应时间tr=682.57 s,预测精度达99.90%;正态概率图残差p=0.022(<0.05)且点列在置信带内近似线性,均值误差0.002056 s,标准差0.8829 s,证实模型适用于SLA时间参数配置。
■ 5.2. SLA for Trust Measurement Evaluation(基于SLA的信任度量评估)
研究人员设定puzzle校验条件CPV(0=拼图匹配,1=不匹配)与装配时间校验条件CATV(0=未超估计时间,1=在估计—容差间,2=超容差时间),按Algorithm 1执行四种场景:(i) tr≤te且拼图正确→λc=1, ρ=0, λs=0.1734;(ii) te<tr≤tt(容差时间)且拼图正确→λc=1, ρ=Pp(部分罚金), λs=0.0649;(iii) tr≤te但拼图错误→λc=0, ρ=1(全罚), λs=0.0005;(iv) tr>tt但拼图正确→λc=0, ρ=1, λs=4.91×10?5。智能合约正确返回各场景λs、ms、ρ及交易哈希,Sepolia浏览器可查证gasUsed恒定(存储变量数相同)、区块与费用随交易变化,验证SLA信任算法在物理SF流程中的正确执行与链上可追溯性。
【讨论与结论(翻译浓缩)】
研究人员指出,本文将在SF中定义信任为可基于SLA条件量化的动态评分,并通过嵌于智能合约的规则将物理过程事件转化为链上信任记录,弥补了以往概念/云导向模型的不足。混合效应时间预估模型精度满足SLA配置需求,但布局变更需重新校准;四分支SLA验证表明奖惩与信任滑动平均更新符合设计逻辑。实际SF应用宜迁移至许可链以降低延迟并保护商业机密,非关键数据存离线库,合约仅保留核心信任变量与密码学引用。结论:本研究提出了一种在精简型SF装配流程中基于区块链SLA度量信任的可操作与实验验证方案,将信任从定性概念转为由生产条件驱动的可计算属性;实现了智能合约自动执行SLA条件、计算信任及链上记录;在开源SF中证实可行性、时间估计准确性(混合效应模型)及信任更新可追溯性,是首批在SF物理环境中实现并验证基于SLA嵌入智能合约之信任模型的研究之一。
相关新闻
生物通微信公众号
微信
新浪微博

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