基于LMI事件触发机制的分数阶多智能体系统通信高效自适应容错控制

《Measurement and Control》：Communication-efficient fault-tolerant control for fractional-order multi-agent systems through LMI-based event-triggering

　　

本研究提出了一种针对受执行器故障影响的分数阶多智能体系统（Fractional-Order Multi-Agent Systems, FOMASs）的先进事件触发容错控制（Event-Triggered Fault-Tolerant Control, ETFTC）方案。其核心创新在于将线性矩阵不等式（Linear Matrix Inequality, LMI）驱动的设计用于事件触发阈值，取代了传统的固定或手动调节参数。该基于LMI的公式化方法提供了一种系统化手段来确定阈值，使其在平衡跟踪精度与通信效率的同时确保闭环系统的全局稳定性。该控制策略将用于处理模型不确定性和未知执行器故障的自适应神经网络与经LMI优化的事件触发机制相结合，通过保证事件间时间的严格正下界来消除Zeno行为。研究人员利用分数阶Lyapunov理论，通过LMI条件建立了严格的稳定性证明。数值仿真验证了所提设计的有效性，结果表明，与固定阈值方法相比，该方案具有更优的跟踪性能和更低的通信负载。

## 论文解读：基于LMI事件触发机制的分数阶多智能体系统通信高效容错控制

### 一、研究背景与问题

分数阶多智能体系统在协同机器人、无人机、自主交通、分布式传感器网络和智能电力系统等工程领域具有广泛应用前景。相较于传统整数阶模型，分数阶模型能够更精确地刻画具有记忆效应和遗传特性的复杂动力学过程。然而，在实际工程环境中，多智能体系统面临执行器故障、未知非线性动力学、通信带宽受限以及时间延迟等多重挑战，这使得稳定协同控制问题变得异常困难。现有事件触发容错控制方法大多采用固定或经验性选取的触发阈值，这种启发式阈值选择往往导致通信效率与控制性能之间的不利折衷。此外，在执行器故障、参数不确定性和分数阶动力学同时存在的情况下，如何确保闭环系统的稳定性仍是一个具有挑战性的问题。因此，开发一种能够在保证稳定性、鲁棒性和通信效率的同时系统化确定触发参数的控制框架，成为网络化分数阶多智能体系统研究领域的重要方向。

### 二、研究内容与意义

研究人员针对受执行器故障、未知非线性动力学、通信延迟和不可测状态影响的分数阶非线性多智能体系统，提出了一种统一的基于LMI的自适应事件触发容错控制框架。该框架创新性地通过线性矩阵不等式系统化地计算触发参数，而非采用人工设定的固定阈值，从而在保证闭环稳定性的前提下提升通信效率。控制器结合了自适应神经网络以逼近系统不确定性，并利用基于LMI的延迟依赖Lyapunov–Krasovskii稳定性分析框架，实现了对执行器故障、有界逼近误差和通信延迟的鲁棒性。研究人员设计了分数阶神经网络状态观测器以估计不可测状态，并通过自适应学习补偿逼近不确定性；同时建立了延迟依赖的Lyapunov–Krasovskii泛函与LMI条件，以保证闭环系统信号的半全局一致最终有界性（Uniform Ultimate Boundedness, UUB），使跟踪误差收敛至原点的小邻域内。所提出的动态事件触发机制在保持满意跟踪性能的同时显著降低了通信负担，并从理论上严格证明了Zeno行为不会发生。该研究的重要意义在于，它首次将分数阶动力学、自适应神经网络逼近、通信延迟、执行器故障补偿以及延迟依赖LMI事件触发控制集成于一个统一的框架中，弥补了现有方法仅关注其中一两个问题的不足。

### 三、关键技术与方法概要

该研究采用的主要关键技术方法包括：（1）基于Caputo分数阶导数定义的分数阶非线性多智能体系统建模，用于精确描述系统的记忆和遗传特性；（2）径向基函数（Radial Basis Function, RBF）神经网络用于在线逼近未知非线性函数，具有通用逼近能力和低计算复杂度；（3）线性矩阵不等式方法用于系统化设计事件触发阈值和推导延迟依赖稳定性条件，所有稳定性判据均转化为LMI形式，可通过标准凸优化工具求解；（4）分数阶状态观测器设计，利用可测输出重构不可测系统状态；（5）Lyapunov–Krasovskii泛函方法处理时间延迟效应，包含延迟积分项以表征分数阶动力学和延迟的综合影响；（6）动态面控制（Dynamic Surface Control, DSC）技术用于递推设计分布式自适应神经控制器；（7）基于动态阈值变量的自适应事件触发机制，其阈值随系统状态动态更新，并利用Mittag-Leffler函数的正性保证阈值始终为正。仿真采用有向通信拓扑，包含一个领导者和四个跟随者智能体，系统动力学含时间延迟θ。执行器故障模式涵盖无故障、有效性损失（Loss of Effectiveness）和卡死故障（Stuck Fault）三种类型。

### 四、主要研究结果

**（1）分数阶神经网络状态观测器设计**

研究人员构建了分数阶状态观测器以在仅有首状态可测的条件下估计各智能体的全部状态。观测器动力学中引入了观测器增益矩阵L_i和RBF神经网络对非线性项的逼近项Φ_i。通过求解LMI条件[Q_i^TP_i+P_iQ_i+?₂I, P_iΦ_i; *, ??₃I]<0，保证了观测误差动态在神经网络逼近误差有界和输入延迟条件下的UUB收敛。该LMI确保了(Q_i+L_iC_i^T)的特征值位于左半复平面。

**（2）基于动态面控制的分布式自适应神经控制器设计**

研究人员采用动态面控制递推设计方法，分n步构建了分布式自适应神经控制器。每一步定义误差信号e_i,k、虚拟控制律α_i,k和动态滤波器信号G_i,k。虚拟控制律显式包含延迟状态和延迟回归项，自适应权重更新律为F^α?_i,k(t)=r_i,ke_i,k(t)ψ_i,k(x?_i,k(t?θ))?r_i,kσ_i,k?_i,k(t?θ)。每一步的稳定性均通过相应的LMI条件保证，确保误差信号和权重估计误差的UUB。

**（3）LMI稳定性分析与Zeno行为排除**

综合Lyapunov–Krasovskii泛函V=∑V_i的分数阶导数上界经Young不等式放缩后，被表述为一个分块矩阵不等式。当该矩阵负定时，F^αV(t)<0，所有闭环信号一致最终有界。通过Laplace变换和Mittag-Leffler函数的性质，得到跟踪误差和观测误差的显式收敛界|e_i,1(t?θ)|≤√(2d?/λ)和‖z_i(t?θ)‖≤√(2d?/(λλ_min(P_i)))。Zeno行为的排除通过证明事件间时间满足t_m+1ⁱ?t_mⁱ≥(Γ(α+1)Q_i/C_i)^1/α+θ>0得到保证，其中C_i为虚拟控制信号分数阶导数的上界。

**（4）仿真验证结果**

在MATLAB环境下对含一个领导者和四个跟随者的有向拓扑FOMAS进行了数值仿真。通信拓扑由邻接矩阵A、领导者输入矩阵B和度矩阵D定义。系统分数阶设为α=0.9，仿真中施加了不同类型的执行器故障。仿真结果表明：（i）所有跟随者智能体在有执行器故障和通信约束下成功跟踪领导者轨迹，跟踪误差收敛至原点小邻域；（ii）控制信号仅在事件触发时刻更新，呈现分段连续特性，大幅减少了控制更新次数，降低了能耗和通信开销；（iii）连续事件间的时间间隔始终为正，验证了Zeno现象的排除；（iv）故障补偿参数保持有界且为正，表明自适应故障补偿策略有效处理了执行器故障。LMI可行性条件的验证进一步确认了在有限时间延迟、不确定性和执行器故障下闭环系统的稳定性。

### 五、总结与结论

研究人员在本文中针对具有不可测状态、执行器故障和未知非线性动力学的分数阶严格反馈多智能体系统，提出了一种新颖的自适应控制框架。该方法将分数阶观测器、动态面控制和RBF神经网络有机集成，有效解决了卡死故障和有效性损失故障及建模不确定性带来的控制难题。该研究的关键贡献在于通过LMI形式化的Lyapunov稳定性分析，提供了延迟依赖条件以保证在通信和驱动时间延迟下系统信号的正性和有界性，确保所有闭环信号一致最终有界，且跟踪误差在半全局范围内收敛。仿真结果验证了理论发展的正确性，证明了基于LMI的控制策略在非线性、延迟和故障多智能体环境中具有良好的鲁棒性和有效性。未来研究将探索该控制框架在异构系统中的应用，考虑网络攻击下的分布式通信场景，并在实际工程系统上进行实时验证。