CN108449791A - 一种基于温度补偿的自适应时间同步方法 - Google Patents

Abstract

本发明涉及一种基于温度补偿的自适应时间同步方法，属于无线传感器网络技术领域。考虑到环境温度对时钟晶振频率的较大影响，该方法首先利用时钟漂移与温度之间的相关性，建立温度‑晶振频率模型，节点可以在此模型下根据温度的变化情况对时钟的偏移量进行补偿，提高节点间同步的精度。其次，在网络时延为高斯模型的情况下，结合概率时间同步的相关理论，节点能够根据网络允许的最大同步误差以及累积时钟偏差补偿当前时间，并估计相应的重同步间隔。该方法让节点在满足特定同步精度的前提下，尽可能地减少能量消耗，减少了网络的负载。

Description

一种基于温度补偿的自适应时间同步方法

技术领域

本发明属于无线传感器网络技术领域，涉及一种基于温度补偿的自适应时间同步方法。

背景技术

全网节点的时间同步是大部分无线传感器网络应用技术的基础，其对于数据融合、休眠调度、节点定位以及目标追踪等技术的实现是至关重要的。然而，由于晶体切片和相关时钟电路差异以及节点工作环境(如温度、工作电压、振动以及湿度等)的不稳定、节点制造工艺差别以及晶振老化等多种因素的影响，实际上节点晶振输出的振荡频率与其标称频率之间是存在一定差别的。以上这些状况使得全网中的各个节点其本地时钟具有一定的差异性，这种差异通常也被称作为时间相偏。若对相互间存在的这种时钟相偏不及时地进行补偿，任由其不断累积增长，就会造成节点间同步误差增大，也将会导致其整体网络性能的急剧下降，并且最终危及到网络的正常运行。

对于采用晶体振荡器的传感器节点为实现对时钟漂移的补偿其相关的研究方法有：一种适用于所有传感器节点的预部署校准机制，该机制通过拟合一个二阶多项式，获得一个平均特征曲线来描述传感器节点频偏与温度的关系。即这种修正是在设计阶段从大量传感器样本中推断出来的。还有施密德等人提出一种动态查找表的方法来补偿时钟漂移。该表映射每个点在本地测量的温度漂移值对。但以上的方法针对老化问题没有得到解决，并且不能及时并较好的针对节点时钟的实际情况作出调整，因此，这种方法不能满足传感器节点长时间运行的要求。

发明内容

有鉴于此，本发明的目的在于提供一种基于温度补偿的自适应时间同步方法，通过自校准和自调节的时间同步方法明显地提高整个网络的能量效率。

为达到上述目的，本发明提供如下技术方案：

一种基于温度补偿的自适应时间同步方法，该方法包含以下步骤：

S1：建立节点温度的晶振频率模型；

S2：对当前采样温度下的时钟偏差进行估计；

S3：计算同步间隔期间的本地周期性时钟补偿；

S4：计算自适应调整重同步周期。

进一步，步骤S1具体包含如下步骤：

S11：在部署带温度传感器的传感器节点之前，随机抽取多个节点进行采样分析；

S12：对抽取到的传感器节点进行测试；

S13：对带温度传感器的传感器节点进行部署；

S14：部署完成后，建立学习表，通过基于主从节点周期性的双向报文交互，且记录同步包打下时间戳时的温度值，得到单个具体传感器节点的温度-频率漂移数据对，并实时存储更新到学习表中。

进一步，步骤S12包含如下步骤：

S121：对传感器节点在-40℃～80℃的温度范围内，测量不同工作温度环境下的晶体振荡器的时钟漂移值，获得温度-漂移值数据对{T_i,δ_i}，i＝1,2,3…n，T_i为节点i的温度值，δ_i为节点i的漂移值；

S122：对获得的温度-漂移值数据对进行求解，

其中，表示回归系数，Z表示样本输入变量(自变量)，Y表示预测响应变量(因变量)，t表示矩阵的转置，得到通用校准曲线：

S123：通过公式：

计算晶振模型的置信区间，其中，W表示晶振模型的置信区间，z₀表示自变量序列即z₀＝[1,z_0,1,…,z_0,r]，s²表示方差值σ²的无偏估计，α表示显著性水平。

进一步，步骤S1进一步包含如下步骤：

S15：建模一个与温度相关的抛物线函数，其函数表达式为：

f(T)＝f(T₀)(1+k(T-T₀)²)

其中，T₀为标称温度，k表示温度系数；

S16：温度影响下进行式中的漂移计算：

其中，f₀表示温度为T₀时刻晶振的频率输出值。

进一步，步骤S14中所述学习表在每次新的同步事件到达时在线进行重新估计，并获得一个学习型校准模型，

其中δf^(l)(T)表示温度为T时晶振频率的漂移值，表示回归系数序列，x＝0、1、2。

进一步，步骤S2包含如下步骤：

S21：对传感器节点进行温度的采样，获取当前工作环境下的温度值T_k；

S22：采用通用校准曲线对温度值为T_k的时刻进行性能评估，评估标准为在该通用校准曲线下95％置信区间的范围大小；

S23：采用学习型校准模型对温度值为T_k的时刻进行性能评估，评估标准为在该学习型校准模型下95％置信区间的范围大小；

S24：根据两次评估获得的信息，在温度值为T_k的时刻，选出具有置信区间高的温度-频率漂移模型，并利用选择的温度-频率漂移模型对该温度下的时钟漂移量进行预测估计。

进一步，步骤S3具体为：

在本次同步报文交互完毕到待同步节点接收下一个同步报文的期间，传感器节点以τ_m时间间隔为周期，实时采集当前工作环境的温度值，并根据步骤S2中选择的温度-频率漂移模型对该周期时间段内平均温度下的相应时钟频偏及相偏值进行估计，并对产生的频偏和相偏量进行补偿。

进一步，步骤S4具体为：

根据应用需求的不同精度要求，并引入温度调节因子λ来调节不同温度变化情况下的ΔT，结合同步间隔内通过以τ_m为周期的对本地时钟进行补偿情况，根据不同最大误差的概率大小自适应调整重同步周期，满足：

其中，T_sync为重同步周期，ε_max表示允许的最大时钟偏差值，d_max表示时戳交换的最大时延，p_m表示时钟速率的最大漂移量，表示本地累积时间补偿量，r表示同步间隔内自补偿的次数，

本发明的有益效果在于：本发明中通过对频率特性的理解和精确建模，并应用它来预测时间漂移，可以大大提高时间同步方案的性能。运用统计学习的工具来推断出每个设备的特性温度漂移补偿曲线，并且通过这些工具使我们能够将校准过程中学习的信息与运行时所学的信息结合起来，提供相互之间自动和平滑的过渡。节点可以周期性地调整其时钟，以实现与其它节点的良好同步，而无需频繁的进行同步包交互达到时间同步的目标。这种自校准和自调节的时间同步方法将明显地提高整个网络的能量效率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明整体框架图；

图2为本发明自学习温度频率漂移补偿算法示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明的总体框架图如图1所示，以下将结合附图对本发明中，对系统从校准状态到自我学习状态的转变及最小二乘线性拟合方法，进行详细说明。

本实施例首先从建立一个节点的温度-晶振频率模型进行说明：

1、从校准状态到自我学习状态的转变

为了提高机制的可靠性，本发明用预校准的漂移温度模型启动了模型中的设备。该模型是从设备的一个子集获得的，其初始特性是在制造过程中进行的。

本发明提出了一种从预校准到学习型工作模式的平滑过渡的方法。该方法利用基于置信区间的统计方法。

一组{T_i,δ_i}数据对集的获取是通过校准N个不同设备并在此合并在校准表，里面包含了所有对{T_i,δ_i}，i＝1,2,3…n的所有校验节点。通过最小二乘参数估计求解这个值集的公式得到一个联合校准模型。这将求得相关的一组系数确定校准曲线：

这些值是固定的，并且是硬编码在每个设备上的。此外，公式

给出了该模型的置信区间，该模型也存储在设备的存储器中(在95％的校准置信度下)。

本地表，也称为学习表，通过{T_i,δ_i}数据对填充并动态更新。这个表允许每次新的同步事件到达时在线进行重新评估。这个评估器由一组参数给出了一个可替代的模型或学习曲线：

该值与学习置信区间相关联。

总之，对于每个温度T₀测量值，基于校准曲线，利用方程Y₀＝z₀β(给定一个未知值Y₀，相应的z₀＝[1,z_0,1,…,z_0,r]可以简单估计为)给出了一个预期值的漂移率δf^(c)(T)，在已知s²是σ²的无偏估计时，方程给出该值置信区间的最大值和最小值：反过来，基于学习曲线下方程Y₀＝z₀β给出了一个预期值的漂移率δf^(l)(T)，结合方程给出该值的置信区间的额最大值和最小值：

然后，对于每个温度样品，在当前温度下比较两个可用的间隔。较窄的区间确定要使用的模型(c或l)，预期值是从选定的模型中获得(即从δf^(l)(T)或从δf^(c)(T))。通过这种方法，从基于校准的修正到基于自学习校正的转换是以平滑、完全透明的方式执行的。

2、概率时间同步中的概率误差函数

在得出概率误差函数之前，需要先具备独立随机变量特征函数的两个重要知识点，其分别为：

令Z＝X₁+X₂，且fx₁(x)、fx₂(x)和f_Z(z)分别代表X₁、X₂和Z的概率密度函数，其中X₁和X₂为独立随机变量。那么对该结果进行扩展可得到即在独立随机变量的特征函数时每个随机变量特征函数的乘积。

对于n个高斯分布求和的特征函数为：可得到结论，如果随机变量是高斯分布的，则导出了独立随机变量之和的特征函数，具体推导过程中使用了独立随机变量的特征函数性质的相关结论。即可理解为当符合高斯分布的随机变量X满足X～N(μ,σ²)，则n个独立随机变量X的求和Z为)。

基于此，得到概率同步算法中的误差函数的数学模型。其数学表达为：

这里ε代表同步中的时钟偏移量，ε_max表示同步中允许的最大时钟偏移量，n表示保证特定误差范围的最小同步包数目，σ为分布函数的方差。

3、温度-晶振频率模型建立

由于晶体振荡器具有价格低廉，稳定性较好，精确度高的优点，其在现代电子系统中有着极为广泛的应用，尤其是在嵌入式系统当中。时钟的输出频率取决于晶体，即晶体的形状和电容等外围设备。输出频率也会在很大程度上受到温度的影响，

建模为抛物线函数：

f(T)＝f(T₀)(1+k(T-T₀)²)

进一步简化模型为：

f(T)＝f(T₀)+ω(T-T₀)²

其中，ω是抛物线系数(或称温度系数)，T₀为标称温度，T为当前环境温度。f(T₀)为一个常量值，它表示温度在T₀时的晶振输出频率，且T₀一般是25℃±3℃。

假设在不同的温度下测量得到N个时钟偏移，即，

Ψ＝{(f_i,T_i)|i∈[1,N],N≥3}

得到N个等式方程：

f(T_i)＝f(T₀)+ω×(T_i-T₀)²

展开公式得到：

f(T_i)＝ωT_i ²-2ωT₀T_i+(f(T₀)+ωT₀ ²)

为了简化该公式，可定义：

然后可以得到如下的线性模型：y＝LX

其中y^T＝(f₁,...,f_N)，L^T＝(l₁,l₂,l₃)，并有在N≥3的情况下，该线性模型可用最小二乘方法解答。这里将其建模为有约束的最小二乘模型：

由于测量的时钟偏差可能致使估计的不准确，为了减少这种误差，所以加入约束条件ω＜0,T₀∈[22℃，28℃]。

L解得后，可以通过以下关系同时求得ω，T₀和f(T₀)：

从而得到一个节点的温度-晶振频率模型。

本发明为一种基于温度补偿的自适应时间同步方法，如图1和图2所示，具体本发明包含如下步骤：

S1：节点温度晶振模型的建立；

S2：对当前采样温度下的时钟偏差估计；

S3：同步间隔期间的本地周期性时钟补偿；

S4：重同步周期自适用调整。

在步骤S1中，建立基于温度-晶振频率漂移的系统模型具体包括：

1)、所要部署的网络规模较大，即有成百上千的带温度传感器的具有统一型号的节点需要部署在所要监视的区域中。在实际部署之前，随机抽取多个(如50个)进行采样分析；

2)、对抽取到的所有传感器节点进行测试，测试项目为：对传感器节点在-40℃～80℃的温度范围内测量不同工作温度环境下的晶体振荡器的时钟漂移值，即获取到大量温度-漂移值数据对{T_i,δ_i}，i＝1,2,3…n。通过求解这个数据对集的公式求出一组参数最终得到一个通用的联合校准曲线，其通用校准曲线为：

这些值是固定的，并且是硬编码在每个设备上的。此外，通过公式：

给出了该模型的置信区间，该模型也存储在设备的存储器中(一般为95％的校准置信度下)。

3)、在网络部署完成后，建立本地表，也即学习表，通过基于主从节点周期性的双向报文交互，且记录同步包打下时间戳时的温度值，得到单个具体传感器节点的温度-漂移数据对，并实时存储更新到学习表中。这个学习表允许每次新的同步事件到达时在线进行重新估计，对于这个估计器，其特征在于由一组由组成的参数构成，最终得到一个学习型校准模型。其校准曲线为：

进一步，确定晶体振荡器的漂移值与温度的关系模型是一个二次多项式方程。该二次项方程的确定包括以下要素：

1)晶体振动器输出频率与工作温度高度相关，且通常建模为一个与温度相关的抛物线函数，其函数表达式为：

f(T)＝f(T₀)(1+k(T-T₀)²)

此处的k为抛物线系数(或温度系数)，而T₀通常称为标称温度(如25℃)。

2)因温度影响下的时钟漂移计算应为

即晶体振荡器的漂移值与温度的关系模型可由一个二次多项式表示。

进一步，在步骤S2中，对当前温度的晶振频率漂移值进行预测估计，该方法包含以下要素：

1)、传感器节点进行温度的采样，获取当前工作环境下的温度值T_k；

2)、采用预校准模块对温度值为T_k时刻进行性能评估，评估标准为该模型下95％置信区间的范围大小；

3)、采用学习型校准模型对温度值为T_k时刻进行性能评估，评估标准为该模型下95％置信区间的范围大小。

4)、基于以上得到的信息，在温度值为T_k时刻，选出具有较好的置信区间的温度-漂移模型，并利用选择的模型对该温度下的时钟漂移量进行预测估计。

进一步，在步骤S3中，在本次同步报文交互完毕到待同步节点接收下一个同步报文的期间，本地传感器节点以τ_m时间间隔为周期(τ_m应小于重同步周期)，实时采集当前工作环境的温度值，并根据步骤S2中选择好的模型，对该周期时间段内平均温度下相应的时钟频偏及相偏值进行估计，并对产生的频偏和相偏量进行补偿，以达到减少同步误差的效果。

进一步，在步骤S4中，在随机时延的概率密度函数为高斯模型的前提下，根据应用需求的不同精度要求，并引入温度调节因子λ来调节不同温度变化情况下的ΔT，结合同步间隔内通过以τ_m为周期的对本地时钟进行补偿情况下，在已知允许的最大时钟偏差值ε_max大小、时戳交换的最大时延d_max、时钟速率的最大漂移量p_m以及本地累积时间补偿量通过公式：

结合概率误差函数

即可根据不同最大误差的概率大小自适应调整重同步周期T_sync，其值为：

使用该方法可以实现合理的对同步周期进行调节，以达到能耗和精度的平衡目的。

最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.一种基于温度补偿的自适应时间同步方法，其特征在于：该方法包含以下步骤：

S1：建立节点温度的晶振频率模型；

S2：对当前采样温度下的时钟偏差进行估计；

S3：计算同步间隔期间的本地周期性时钟补偿；

S4：计算自适应调整重同步周期。

2.根据权利要求1所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S1具体包含如下步骤：

S11：在部署带温度传感器的传感器节点之前，随机抽取多个节点进行采样分析；

S12：对抽取到的传感器节点进行测试；

S13：对带温度传感器的传感器节点进行部署；

S14：部署完成后，建立学习表，通过基于主从节点周期性的双向报文交互，且记录同步包打下时间戳时的温度值，得到单个具体传感器节点的温度-频率漂移数据对，并实时存储更新到学习表中。

3.根据权利要求2所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S12包含如下步骤：

S121：对传感器节点在-40℃～80℃的温度范围内，测量不同工作温度环境下的晶体振荡器的时钟漂移值，获得温度-漂移值数据对{T_i,δ_i}，i＝1,2,3…n，T_i为节点i的温度值，δ_i为节点i的漂移值；

S122：对获得的温度-漂移值数据对进行求解，

其中，表示回归系数，Z表示样本输入变量(自变量)，Y表示预测响应变量(因变量)，t表示矩阵的转置，得到通用校准曲线：

S123：通过公式：

评估晶振频率模型的置信区间，其中，W表示晶振模型的置信区间，z₀表示自变量序列即z₀＝[1,z_0,1,…,z_0,r]，s²表示方差值σ²的无偏估计，α表示显著性水平。

4.根据权利要求3所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S1进一步包含如下步骤：

S15：建模一个与温度相关的抛物线函数，其函数表达式为：

f(T)＝f(T₀)(1+k(T-T₀)²)

其中，T₀为标称温度，k表示温度系数；

S16：温度影响下进行式中的漂移计算：

其中，f₀表示温度为T₀时刻晶振的频率输出值。

5.根据权利要求3所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S14中所述学习表在每次新的同步事件到达时在线进行重新估计，并获得一个学习型校准模型，

其中δf^(l)(T)表示温度为T时晶振频率的漂移值，表示回归系数序列，x＝0、1、2。

6.根据权利要求5所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S2包含如下步骤：

S21：对传感器节点进行温度的采样，获取当前工作环境下的温度值T_k；

S22：采用通用校准曲线对温度值为T_k的时刻进行性能评估，评估标准为在该通用校准曲线下95％置信区间的范围大小；

S23：采用学习型校准模型对温度值为T_k的时刻进行性能评估，评估标准为在该学习型校准模型下95％置信区间的范围大小；

S24：根据两次评估获得的信息，在温度值为T_k的时刻，选出具有置信区间高的温度-频率漂移模型，并利用选择的温度-频率漂移模型对该温度下的时钟漂移量进行预测估计。

7.根据权利要求6所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S3具体为：

在本次同步报文交互完毕到待同步节点接收下一个同步报文的期间，传感器节点以τ_m时间间隔为周期，实时采集当前工作环境的温度值，并根据步骤S2中选择的温度-频率漂移模型对该周期时间段内平均温度下的相应时钟频偏及相偏值进行估计，并对产生的频偏和相偏量进行补偿。

8.根据权利要求6所述的一种基于温度补偿的自适应时间同步方法，其特征在于：步骤S4具体为：

根据应用需求的不同精度要求，并引入温度调节因子λ来调节不同温度变化情况下的ΔT，结合同步间隔内通过以τ_m为周期的对本地时钟进行补偿情况，根据不同最大误差的概率大小自适应调整重同步周期，满足：

其中，T_sync为重同步周期，ε_max表示允许的最大时钟偏差值，d_max表示时戳交换的最大时延，p_m表示时钟速率的最大漂移量，表示本地累积时间补偿量，r表示同步间隔内自补偿的次数，