近日，自动化学院（人工智能学院）智能物联与协同控制实验室在复杂产品供应链变更控制领域取得重要进展。

研究团队针对遭受网络攻击的两时间尺度供应链变更控制问题，提出了一种有效补偿拒绝服务（DoS）攻击导致状态信息丢失的非线性自回归神经网络预测H∞控制方法，拓展了传统奇异扰动理论在多时间尺度供应链系统中的应用。相关研究成果以长文形式发表于控制领域权威刊物IEEE Transactions on Cybernetics (DOI: 10.1109/TCYB.2026.3684433)。论文题目为《H∞ Optimal Tracking Control for Two-Time-Scale Supply Chain Systems Subject to DoS Attack》，该成果为复杂产品供应链系统的变更控制提供了坚实的控制理论基础。

该论文由自动化学院（人工智能学院）李庆奎教授团队与美国圣母大学（Notre Dame University）林海教授团队合作完成。

提出“非线性自回归神经网络预测H控制方法”，拓展了传统奇异扰动理论在多时间尺度供应链系统变更控制设计中的应用

针对产品供应链系统面临的拒绝服务（DoS）攻击问题（如图1所示），设计了基于非线性自回归（NAR）神经网络的预测器实时补偿库存状态缺失，提出一种基于H∞控制的两时间尺度供应链系统优化跟踪智能新方法，结合奇异摄动理论和策略迭代技术，解决了传统提升技术在处理多时间尺度系统时的高计算复杂性和对时间尺度变化敏感的难题，这种结合网络安全与控制理论的研究方法，为复杂产品供应链变更控制设计提供了新的研究框架。

图1 变更补偿控制结构图

典型工业过程应用场景仿真验证，研究成果应用未来可期

为验证算法的实际性能，研究团队以钾碳酸盐生产（图2所示）为中心的供应链为典型案例开展研究。考虑生产过程的两时间尺度特性及当系统遭受网络攻击导致数据丢失而采用的变更补偿控制机制，生产库存水平受不同控制机制的影响。仿真结果表明，在采用非线性自回归神经网络预测 H控制补偿机制，生产库存水平跟踪期望值（如图3、图4所示）。

图2 钾碳酸盐生产化学反应流程图

图3 KHCO3 生产快慢子系统的库存水平

图4 是否采用NAR控制性能对比图

该成果有望推动智能制造和网络安全领域的复杂产品供应链系统向更高效、更智能方向发展。自动化学院（人工智能学院）智能物联与协同控制研究团队的这一理论突破，为产品供应链的管理决策提供强有力的控制理论工具。同时，随着研究成果的进一步应用转化，将为国家的战略科技领域做出更大贡献。（供稿/图片：自动化学院 编辑/审核：郭辉）