无线网络化控制系统凭借其显著的灵活性、可扩展性与成本优势，已成为现代工业控制领域的关键使能技术。然而，工业现场复杂的射频环境与受限的频谱资源极易引发随机丢包与非确定性通信延迟，从而严重削弱系统的闭环控制性能。鉴于通信与控制间的深度耦合特性，单一维度的性能优化难以实现系统级的全局最优。因此，亟需构建通信与控制协同设计机制，实现频谱资源与控制需求的动态适配，从而保障工业控制系统的稳定性与鲁棒性。
近日，中国科学院沈阳自动化研究所工业控制网络与系统研究室梁炜研究员团队，在无线网络化控制系统的通信和控制协同优化方面取得重要进展。针对工业场景下通信资源受限与环境高度动态变化带来的挑战，科研团队提出了一种基于深度强化学习的估计-控制-调度联合设计(JECS)方法。
科研团队针对工业环境中的丢包问题，为单个子系统设计了基于深度学习的状态估计模型和基于深度强化学习的控制策略，显著增强了系统在非可靠通信约束下的运行稳定性。在此基础上，针对多子系统并发运行的复杂场景，科研团队进一步开发了基于Transformer架构的中心化调度决策模型，创新性地引入了优先级评分机制，显著提升了系统在不同规模及资源约束下的泛化能力。
该研究成果以Joint Estimation-Control-Scheduling for Wireless Networked Control Systems via Deep Reinforcement Learning为题，发表于国际期刊IEEE Transactions on Cognitive Communications and Networking。沈阳自动化所博士研究生张雷为第一作者，导师为梁炜研究员。
该研究得到了辽宁省兴辽英才计划、国家自然科学基金以及辽宁省自然科学基金等项目的支持。(工业控制网络与系统研究室)
