[论文解读] Machine Learning in Event-Triggered Control: Recent Advances and Open Issues

Leila Sedghi, Zohaib Ijaz+3 more|arXiv (Cornell University)|Sep 27, 2020

Age of Information Optimization被引用 7

一句话总结

本文综述了机器学习（ML）与事件触发控制（ETC）在联网控制系统（NCSs）中结合的应用，旨在优化通信带宽并适应动态系统变化。研究提出，机器学习——特别是统计学习、神经网络和强化学习——能够学习系统动态特性，并仅在必要时触发控制更新，从而在保持性能的同时减少网络负载。

ABSTRACT

Networked control systems have gained considerable attention over the last decade as a result of the trend towards decentralised control applications and the emergence of cyber-physical system applications. However, real-world wireless networked control systems suffer from limited communication bandwidths, reliability issues, and a lack of awareness of network dynamics due to the complex nature of wireless networks. Combining machine learning and event-triggered control has the potential to alleviate some of these issues. For example, machine learning can be used to overcome the problem of a lack of network models by learning system behavior or adapting to dynamically changing models by continuously learning model dynamics. Event-triggered control can help to conserve communication bandwidth by transmitting control information only when necessary or when resources are available. The purpose of this article is to conduct a review of the literature on the use of machine learning in combination with event-triggered control. Machine learning techniques such as statistical learning, neural networks, and reinforcement learning-based approaches such as deep reinforcement learning are being investigated in combination with event-triggered control. We discuss how these learning algorithms can be used for different applications depending on the purpose of the machine learning use. Following the review and discussion of the literature, we highlight open research questions and challenges associated with machine learning-based event-triggered control and suggest potential solutions.

研究动机与目标

• 解决现实世界无线联网控制系统（NCSs）中通信带宽有限且不可靠的挑战。
• 通过使用机器学习学习动态系统行为和网络状况，克服NCSs中缺乏精确系统与网络模型的问题。
• 通过将事件触发控制（ETC）与机器学习结合，仅在需要时触发更新，减少NCSs中的不必要的通信。
• 通过自适应机器学习增强的ETC，在智能电网、无人机和工业自动化等动态环境中提升系统鲁棒性与性能。
• 识别基于机器学习的ETC中的开放研究挑战，包括计算负载、隐私和安全问题，并提出联邦学习和智能触发机制等解决方案。

提出的方法

• 采用统计学习（SL）、神经网络（NNs）和强化学习（RL），包括深度强化学习，实现实时系统模型估计与自适应。
• 使用事件触发控制（ETC）通过仅在系统状态偏差超过阈值时传输数据来减少通信，从而最小化网络使用。
• 引入自触发控制（STC）作为ETC的更高效替代方案，其中下一次触发时间被预先计算，从而减少对持续状态监控的需求。
• 应用机器学习技术学习未知系统动态、模型不确定性及故障特征，实现在变化环境中的自适应与鲁棒控制。
• 集成联邦学习，通过在本地训练模型并仅共享模型更新，保护多智能体NCSs中的数据隐私。
• 设计智能事件触发机制，避免混沌或冗余传输，采用指数或线性补偿机制。

实验结果

研究问题

• RQ1 机器学习技术如何提升在具有不确定或时变动态特性的NCSs中事件触发控制的适应性与鲁棒性？
• RQ2 将机器学习与ETC结合时，主要挑战是什么，特别是计算开销、模型精度和实时性能方面？
• RQ3 自触发控制（STC）在何种程度上可减少对持续状态观测的需求，同时在机器学习增强的系统中保持控制性能？
• RQ4 在分布式NCSs中，如何保障基于机器学习的ETC免受数据注入攻击和隐私泄露等网络威胁？
• RQ5 联邦学习在多智能体系统中，如何促进隐私保护的分布式模型学习，以支持机器学习增强的事件触发控制？

主要发现

• 机器学习显著增强了事件触发控制，通过实现系统动态的在线学习，降低了对精确先验模型的依赖。
• 统计学习、神经网络和强化学习是ETC系统中用于模型估计与控制优化的主要机器学习方法。
• 与传统ETC相比，自触发控制（STC）通过预先计算触发时间，减少了通信与计算开销，使其更适用于与机器学习集成。
• 联邦学习使多智能体NCSs中实现隐私保护的模型训练成为可能，解决了在分布式节点间共享原始数据的担忧。
• 结合指数或线性补偿机制的智能事件触发方案可防止混沌或冗余触发，提升网络效率。
• 基于机器学习的ETC在故障检测与容错控制方面展现出强大潜力，尤其当与深度神经网络结合用于精确特征分类时。