沈阳自动化所在提升工业系统信息时效性与控制性能研究方面取得进展

　　柔性化、定制化制造涉及大量相互关联的感知、传输、计算与控制任务，下游任务往往依赖多个前序任务产生的信息，一旦某个环节出现延迟，影响便可能沿任务链持续传播，降低信息时效性，进而影响控制系统的响应速度和控制精度。作为衡量数据新鲜度的重要指标，信息年龄(Age of Information，AoI)是当前衡量数据新鲜程度的核心指标，用以表征数据自生成后历经的时间长度，但传统 AoI 理论默认各类任务相互独立，无法精准刻画工业流程内复杂的任务依赖耦合关系，以及由此衍生的端到端累积时延难题。
 

　　针对上述工业场景核心痛点，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团队面向感知-传输-计算-控制一体化(Sensing-Transmission-Computation-Control，STCC)系统，提出一套具备任务依赖感知能力的协同优化方案，将任务依赖、信息时效性与控制性能纳入统一的分析和优化框架，为柔性智能制造、工业物联网场景下的动态任务调度、边缘资源分配、高精度实时协同控制提供了新的理论支撑与工程实现思路。
 

　　科研团队创新性提出了依赖感知信息年龄(Dependency-Aware Age of Information，DAoI)指标，该指标同时考虑当前任务的采样时刻和前序任务的完成时刻，能够量化任务依赖造成的延迟传播与累积效应；当任务不存在前序依赖时，DAoI可退化为传统AoI。借助这一指标，信息时效性的描述由单个任务拓展至整个任务依赖链。
 

　　在此基础上，研究团队推导了基于DAoI的状态估计误差表达式，建立了DAoI与控制性能之间的解析关系，并给出了控制性能退化的定量上界。同时，研究设计了基于线性二次调节器的最优控制律，使信息时效性能够与控制效果直接关联。
 

　　研究团队进一步构建了面向依赖型异构任务的STCC协同设计框架，在任务划分、传输功率、计算能力、资源类型匹配和计算资源分配等约束下，联合优化控制成本与网络能耗。针对由此形成的混合整数非线性问题，研究将其重构为马尔可夫决策过程，并提出依赖感知异构任务与资源协同调度算法MAPPO-DHTCO。该算法采用多智能体近端策略优化及“集中训练、分散执行”机制，协同学习任务调度、信息更新和资源分配策略。
 

　　仿真结果显示，与六种基准算法相比，MAPPO-DHTCO具有稳定的收敛性能，并在信息时效性、控制成本和网络成本等方面表现出综合优势。基于实际物理过程数据的进一步验证表明，该方法能够保持较低的预测误差和能耗，具备处理多源异构数据及复杂任务依赖关系的能力。
 

　　相关成果以Optimizing Dependency-Aware Age of Information in STCC Systems via MADRL为题发表于《IEEE移动计算汇刊》(IEEE Transactions on Mobile Computing)。沈阳自动化所夏长清研究员为第一作者和通讯作者。该研究得到了国家重点研发计划项目的支持。(工业控制网络与系统研究室)
 

　　引用：沈阳自动化所在提升工业系统信息时效性与控制性能研究方面取得进展 沈阳自动化研究所 【引用时间：2026年7月20日】