CN108710352A - 混合总线的工业嵌入式控制方法及系统、信息处理终端 - Google Patents
混合总线的工业嵌入式控制方法及系统、信息处理终端 Download PDFInfo
- Publication number
- CN108710352A CN108710352A CN201810548263.4A CN201810548263A CN108710352A CN 108710352 A CN108710352 A CN 108710352A CN 201810548263 A CN201810548263 A CN 201810548263A CN 108710352 A CN108710352 A CN 108710352A
- Authority
- CN
- China
- Prior art keywords
- femtocell
- module
- son
- user
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000010365 information processing Effects 0.000 title abstract description 5
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000011065 in-situ storage Methods 0.000 claims abstract description 11
- 150000001875 compounds Chemical class 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005562 fading Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/4186—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by protocol, e.g. MAP, TOP
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于工业控制技术领域,公开了一种混合总线的工业嵌入式控制方法及系统、信息处理终端,由总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;通过集成的微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制。本发明各模块可以共享模拟总线上的资源;同时通过故障诊断模块在嵌入式系统运行过程中如果发生主系统崩溃故障,能够读取和分析故障现场数据,提高整个系统的可维护性和可诊断性。
Description
技术领域
本发明属于工业控制技术领域,尤其涉及一种混合总线的工业嵌入式控制方法及系统、信息处理终端。
背景技术
目前,业内常用的现有技术是这样的:
随着计算机技术、通信技术和控制技术的发展,传统的控制领域正经历着一场前所未有的变革,开始向网络化方向发展。控制系统的结构从最初的CCS(计算机集中控制系统),到第二代的DCS(分散控制系统),发展到现在流行的FCS(现场总线控制系统)。然而,现有混合总线的工业嵌入式控制系统可编程性差;同时控制系统崩溃后必须重新启动,而重新启动后,须重新加载程序和数据,这个过程又会破坏系统崩溃前的现场,因此无法有效地分析和诊断系统故障。
在宏蜂窝网络中,引入了femtocell技术,会带来很多优势,但是也会给宏蜂窝网络带来许多技术挑战。其中,最关键的问题是femtocell与宏蜂窝网络的干扰管理问题,直接影响到femtocell网络的性能。由于femtocell使用的频段与现有的宏蜂窝网络使用的授权频段相同,femtocell与宏小区之间的同频干扰将会直接影响两个网络的性能,同时,femtocell部署的随机性和大规模性,使得femtocell之间的同频干扰也变得尤为严重。
在LTE-A技术后续演进中,有源天线波束赋形技术在3GPP标准中提出,可以提高系统的容量。有源天线系统不仅有水平方向的天线阵元,同时也有垂直方向的天线阵元,每一个天线阵元都有一个独立的射频单元,可以灵活地控制波束的水平和垂直方向。
当宏基站采用有源天线技术(AAS)进行配置后,即采用LTE三维(3D)垂直扇区模型,将小区中心和边缘区域分别采用内外2个波束分别进行覆盖,有效调整内外波束的下倾角,可以提高系统的容量。不过,在LTE异构网络中,引入了AAS 3D波束模型,宏基站和femtocell之间的干扰就会变得更复杂,不仅要考虑内外波束的同频干扰,也需要考虑宏小区和微小区的跨层干扰。因此,针对AAS 3D波束模型的LTE异构网络,需要采用一种有效的干扰协调策略进行干扰控制。
综上所述,现有技术存在的问题是:
现有混合总线的工业嵌入式控制系统可编程性差;同时控制系统崩溃后必须重新启动,而重新启动后,须重新加载程序和数据,这个过程又会破坏系统崩溃前的现场,因此无法有效地分析和诊断系统故障。
现有数据监管可靠性差。
本发明采用AAS 3D波束进行小区覆盖,旨在解决基于AAS 3D波束覆盖的LTE异构网络中的宏基站和femtocell之间的跨层干扰问题以及内外波束间的同频干扰问题。通过优化小区中宏用户的功率和调整内外小区的3D波束的下倾角,减小内外波束间的同频干扰问题,提升小区中宏用户的性能;同时,有效控制宏小区和femtocell小区之间的干扰并对femtocell进行分簇复用,提高femtocell用户的总吞吐量。采用本发明,可以提升小区的总吞吐量和小区边缘宏用户的吞吐量,并保证小区边缘宏用户的公平性。
发明内容
针对现有技术存在的问题,本发明提供了一种混合总线的工业嵌入式控制方法及系统、信息处理终端。
本发明是这样实现的,一种混合总线的工业嵌入式控制方法,所述混合总线的工业嵌入式控制方法包括:
由总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
通过集成的微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制;
构建不同的总线混合控制方法,包括:
1),通过网络监测节点收集异构网络运维数据;
2),根据获得的异构网络运维数据,构建统一的运维监测模型,以对异构网络进行实时监测;
3),将整个异构网络的优化目标分解为多个SON功能的决策行为,每一个SON功能的决策行为是一个单独的控制环SONuc;
根据运维监测模型的实时监测,调整和确定相应的无线网络参数,并触发和运行相应类型的特定SONm功能;
如果其SONm是同一时间尺度下的多个SONuc管理,则采用同一时间尺度下的多SON冲突避免优化处理机制;
如果其SONm是不同时间尺度下的SONuc管理,则采用不同时间尺度下的SON用例协同管理方法;
步骤2)中的运维监控模型是通过根据异构网络运维数据与异构网络无线资源管理参数的映射分析、逻辑回归分析方法和回归函数构建的;
运维监控模型的具体构建过程为:
采用逻辑回归分析方法,选取回归函数:flog(z)=1/(1+exp-z),z表示无线网络参数,flog(z)为关键性技术指标的逻辑回归分析值;
逻辑回归映射模型为:
ηm,i=βm,0+βm,1xi
其中,ym,i为第m个运维数据KPI指标的第i次采样值,xi为相应的无线网络参数,εi表示误差值,ηm,i=βm,0+βm,1xi为无线参数预测值,其中βm,0和βm,1为方程变量系数;
采用最大似然估计后,得到优化后的运维监控模型为:
其中开销函数为wm表示第m个运维KPI指标的权重,表示无线网络参数的最大似然估计值,表示第m运维数据KPI指标的最大似然估计值,thm表示第m个运维数据KPI指标的门限值,Ac表示运维数据KPI指标的集合;
对不同的控制方案进行不同的总线混合控制的方法包括:
步骤一,将小区从里到外依次分为3个区域,最里面区域是采用完全的内波束进行覆盖,中心的环形区域采用内外2个波束的联合传输进行传输数据,最外面区域采用外波束进行覆盖;最里面区域为第一区域,中心的环形区域为第二区域,最外面区域为第三区域;
步骤二,基于门限距离,计算第一区域和第三区域中的每个femtocell的干扰指示函数和femtocell的干扰度;
步骤三,对第一区域和第三区域中的联合区域中的每个femtocell进行分簇;
步骤四,建立femtocell到用户的信道模型,并基于3D天线模型构建宏基站到用户的信道增益模型;
步骤五,建立3个区域中宏用户和femtocell用户的信噪比和吞吐量模型;
步骤六,通过最大化小区中宏用户的总吞吐量,进行3D波束优化。
步骤二具体包括:
第一步,用femtocell之间的干扰指示函数e(νi,νj),∈SF来表示femtocell之间的干扰情况:
其中,Rth表示门限距离,R(i,j)表示第i个femtocell与第j个femtocell之间的距离,SF表示参与分簇的femtocell集合,|SF|表示集合SF中femtocell的数目,并规定e(νi,νi)=0,即femtocell自身之间是不存在碰撞干扰的;
第二步,计算每个femtocell的干扰度,用dG(νi)表示:
dG(νi)=0,则νi是一个孤立点,即0度节点,意味着该femtocell与其余的femtocell均不存在碰撞干扰;
步骤三具体包括:
第一步,初始化分簇数目l=1,依据每个femtocell的e(νi,νj),将第一区域和第三区域中的联合区域中的每个femtocell进行分簇,并用V表示参与分簇的femtocell集合,S表示所有没有干扰的节点(0度节点)集合;
第二步,根据集合V中的femtocell元素构建femtocell的干扰矩阵A(G),并计算每个femtocell的干扰度dG(νi);
第三步,此时干扰矩阵A(G)中有干扰元素,令即返回最大干扰的femtocell数目为i,同时令dG(νi)=0,即将A(G)矩阵中第i行第i列的元素均置为0,并将节点νi记录到初始为空集的集合B中,这样不断将最大干扰元素记录到集合B中,并将干扰矩阵中该元素所在行和列置零,直到A(G)中无干扰元素为止,这样得到只有剩余节点构成的一组分簇结果Rl',l=l+1;
第四步,不能满足矩阵A(G)为全0矩阵且B为空集,则令集合V为集合B,同时令B为空集,并返回第二步重新构建新干扰矩阵A(G),得到新的分簇结果Rl';满足矩阵A(G)为全0矩阵且B为空集,此时集合V不为空集,则V中节点自成一组;
第五步,将初始的0度节点的集合S分配到包含femtocell数目最少的那组簇中,并结束femtocell分簇算法;
步骤六具体包括:
第一步,初始化功率p1以及下倾角θ1,θ2,根据已分好簇的femtocell,并确定femtocell对宏用户的干扰并计算迭代次数n=0时的宏基站的总吞吐量
第二步,计算宏基站对femtocell的干扰,并按照信噪比由高到低的顺序,依次进行femtocell用户和宏用户的载波资源的分配:
其中,γM为宏用户的最低信噪比需求,根据最低速率需求计算得到;
第三步,将功率p1和下倾角θ1,θ2分别按照下面公式进行迭代:
其中,pstep和θstep分别表示功率和下倾角的迭代步长,表示宏用户总的吞吐量RM对p1的偏导,和表示宏用户总的吞吐量RM分别对下倾角θ1,θ2的偏导数;
第四步,计算第n+1次迭代的宏用户总的吞吐量第n+1次迭代的吞吐量转第五步;否则,返回第二步继续进行算法;
第五步,获得最优的计算出此时的femtocell的用户总的吞吐量和小区总的吞吐量;
进一步,步骤3)中同一时间尺度下的多SON冲突避免优化处理机制为:
将每个SON作为一个单独的智能体,则将同一时间尺度下的SON管理转化为在相同环境下,对多个智能体的优化管理;
每个智能体单独优化的过程为一个马尔科夫过程,网络节点单独的控制环SONuc;其中,网络节点采用Q学习算法对每个智能体进行优化求解;
所述同一时间尺度下的多SON冲突避免优化处理机制包括智能体单元,冲突检测单元和效用单元;且所述每个智能体单独优化的马尔科夫过程,包括{状态信息S,行为集合A,转移概率T,回报值R};
所述的智能体单元包含所有的SON智能体,该单元的状态信息是所有SON智能体状态信息的集合,行为是所有SON智能体行为的行为集合,回报值定义为:
其中ri第i个SON智能体的回报值,wi为相应的权重;
冲突检测单元,通过检测多个SON调整的参数或是优化值,判定SON之间是否存在冲突,如果无冲突,则每个SON智能体单独进行优化,如果检测到冲突存在,则根据网络实际需求确定对应SON智能体优化目标的权重wi;
效用单元,根据冲突检测结果,确定的SON智能体优化目标的权重wi,计算回报值作为网络节点的整体回报值;
所述Q学习算法为根据网络节点的所有状态信息集合S来建立一个参数系统,其具体过程为:
首先建立和维护一个二维的Q值表,第一维用来表示所有可能的状态,第二维表示网络节点智能体所可能采取的行动,而每一个Q值表的单元q(s,a)都对应着智能体在状态s下采取行动a的Q值;
用户选择行动的准则为:SON智能体单元基于在给定状态下的每个动作的Q值表,按照概率进行动作选择,一个动作的Q值越大,则被选择的概率就越大;
网络节点智能体根据逻辑回归分析确定将要优化的无线网络参数,构建一个新状态S,在构建完状态S后,计算对应S的各个Q值;
SON智能体根据Q值以概率选择优化策略;然后网络节点智能体返回回报值;
用户终端根据回报值和现有的Q值按照以下公式,更新Q值表中的状态S和所选动作对应的值:
其中R(x,α)=E{r|s,a},π为所选的策略,α是学习因子。
进一步,步骤四具体包括:
第一步,宏基站采用3D波束进行小区覆盖,其水平辐射模型和垂直辐射模型表示如下:
其中,AE,H(φ)和AE,V(θ)分别表示水平方向和垂直方向的天线增益,表示用户的水平角,表示水平半功率波束宽度(HPBW);Am表示前后向增益,θ表示用户的垂直仰角,θetilt表示天线的下倾角;θ3dB表示垂直半功率波束宽度,SLAv表示旁瓣电平限制;
因此,宏基站到用户的3D天线增益表示如下:
其中,GE,Max表示单振子辐射元的最大方向增益(dB);
第二步,宏基站采用3D天线模型,这样宏基站到用户的信道增益表示为:
其中,αu,n,M为宏基站到用户u在第n个子载波上的频率选择性瑞利衰落,为宏基站到用户u的3D天线增益,Su,M为对数阴影衰落,Lu,M则为宏基站到用户的路径损耗;
第三步,femtocell采用传统的天线,这样femtocell到用户的信道增益表示为:
Gk,n,f=(αk,n,f)2AfSk,f/Lk,f;
其中,αk,n,f为femtocell基站到用户k在第n个子载波上的频率选择性瑞利衰落,Af为femtocell天线的增益,Sk,f为对数阴影衰落,Lk,f则为femtocell到用户k的路径损耗。
本发明的另一目的在于提供一种实现所述混合总线的工业嵌入式控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述混合总线的工业嵌入式控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述混合总线的工业嵌入式控制方法。
本发明的另一目的在于提供一种混合总线的工业嵌入式控制系统包括:
电源转换模块,与微控制器控制模块连接,用于将交流电转换为控制器适用的直流电;
输入输出模块,与微控制器控制模块连接,用于进行控制数据的输入输出;
微控制器控制模块,与电源转换模块、输入输出模块、总线模拟模块、地址译码模块、存储模块、故障诊断模块、报警模块连接,用于控制各个模块正常工作;
总线模拟模块,与微控制器控制模块连接,用于在现有工业控制微型计算机总线上增加一组传送模拟量的模拟总线,构成数字模拟混合总线;
地址译码模块,与微控制器控制模块连接,用于对数据输入输出地址位置进行编译解码;
存储模块,与微控制器控制模块连接,用于存储数据控制信息;
故障诊断模块,与微控制器控制模块连接,用于对系统故障进行诊断分析;
报警模块,与微控制器控制模块连接,用于通过蜂鸣器进行报警;
总线架构方式构建模块,与微控制器控制模块连接,用于总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
嵌入式控制系统,与微控制器控制模块连接,集成微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制。
进一步,所述故障诊断模块包括故障信号检测模块、故障数据读取模块、故障数据分析模块;
故障信号检测模块,用于检测工业嵌入式控制系统故障信息;
故障数据读取模块,用于读取检测工业嵌入式控制系统故障现场数据;
故障数据分析模块,用于对检测工业嵌入式控制系统故障现场数据进行分析。
进一步,故障诊断模块诊断中,首先,在工业嵌入式控制系统中设置一故障诊断机制,故障诊断机制的存储区域与主系统的存储区域分离;然后,在主系统运行过程中发生错误导致系统崩溃,主系统不再响应或者不能正确地响应用户操作时,启动诊断机制,由诊断机制读取主系统故障现场数据和分析故障数据。
本发明的另一目的在于提供一种搭载有所述混合总线的工业嵌入式控制系统的信息数据处理终端。
本发明的优点及积极效果为:
本发明混合总线的工业嵌入式控制方法中:由总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;通过集成的微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制;可实现混合总线的工业嵌入式智能控制。
本发明提供总线模拟模块可在任意的位置插入模块;输入模拟量的数量不受采样模块通道数的限制,提高了模块的可编程性和组成系统的灵活性;各模块可以共享模拟总线上的资源;同时通过故障诊断模块在嵌入式系统运行过程中如果发生主系统崩溃故障,能够读取和分析故障现场数据,提高整个系统的可维护性和可诊断性。
本发明数字模拟混合总线的构建方法包括:
1),通过网络监测节点收集异构网络运维数据;
2),根据获得的异构网络运维数据,构建统一的运维监测模型,以对异构网络进行实时监测;
3),将整个异构网络的优化目标分解为多个SON功能的决策行为,每一个SON功能的决策行为是一个单独的控制环SONuc;
根据运维监测模型的实时监测,调整和确定相应的无线网络参数,并触发和运行相应类型的特定SONm功能;
如果其SONm是同一时间尺度下的多个SONuc管理,则采用同一时间尺度下的多SON冲突避免优化处理机制;
如果其SONm是不同时间尺度下的SONuc管理,则采用不同时间尺度下的SON用例协同管理方法;可对混合总线的工业嵌入式控制数据进行准确的监管和控制。
本发明将有源天线3D波束模型应用到LTE异构网络场景中,其中宏基站采用了3D内外2波束进行发射信号,本发明是一种基于AAS的LTE异构网络中的干扰协调方法。
本发明中将小区从内到外划分为3个区域进行干扰避免,第一区域中宏用户完全由内波束进行服务,第三区域中宏用户完全由外波束进行服务,中间第二区域由两个波束联合提供服务,这样避免波束间的干扰问题,有效进行内外波束中宏用户的频率复用。
本发明中提出了一种femtocell分簇策略,有效进行femtocell之间的频谱资源的复用,可以极大提高femtocell用户的总吞吐量。
本发明中提出了3D波束优化算法,有效进行了小区中宏用户的资源分配和内外波束下倾角的优化,能够改善边缘用户的吞吐量性能,提高了小区边缘用户的吞吐量和系统总的吞吐量。
附图说明
图1是本发明实施例提供的混合总线的工业嵌入式控制系统结构框图。
图中:1、电源转换模块;2、输入输出模块;3、微控制器控制模块;4、总线模拟模块;5、地址译码模块;6、存储模块;7、故障诊断模块;8、报警模块;9、总线架构方式构建模块;10、嵌入式控制系统。
图2是本发明实施例提供的femtocell算法和AAS 3D波束算法得到的小区宏用户吞吐量和femtocell吞吐量的与现有的方案的吞吐量的仿真对比图;
图3是本发明实施例提供的机制与传统2D天线、以及内外有干扰的3D波束的小区边缘宏用户吞吐量的仿真对比图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明提供的混合总线的工业嵌入式控制系统包括:电源转换模块1、输入输出模块2、微控制器控制模块3、总线模拟模块4、地址译码模块5、存储模块6、故障诊断模块7、报警模块8。
电源转换模块1,与微控制器控制模块3连接,用于将交流电转换为控制器适用的直流电;
输入输出模块2,与微控制器控制模块3连接,用于进行控制数据的输入输出;
微控制器控制模块3,与电源转换模块1、输入输出模块2、总线模拟模块4、地址译码模块5、存储模块6、故障诊断模块7、报警模块8连接,用于控制各个模块正常工作;
总线模拟模块4,与微控制器控制模块3连接,用于在现有工业控制微型计算机总线上增加一组传送模拟量的模拟总线,构成一种数字模拟混合总线;
地址译码模块5,与微控制器控制模块3连接,用于对数据输入输出地址位置进行编译解码;
存储模块6,与微控制器控制模块3连接,用于存储数据控制信息;
故障诊断模块7,与微控制器控制模块3连接,用于对系统故障进行诊断分析;
报警模块8,与微控制器控制模块3连接,用于通过蜂鸣器进行报警。
总线架构方式构建模块9,与微控制器控制模块连接,用于总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
嵌入式控制系统10,与微控制器控制模块连接,集成微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制。
本发明提供的故障诊断模块7包括故障信号检测模块、故障数据读取模块、故障数据分析模块。
故障信号检测模块,用于检测工业嵌入式控制系统故障信息;
故障数据读取模块,用于读取检测工业嵌入式控制系统故障现场数据;
故障数据分析模块,用于对检测工业嵌入式控制系统故障现场数据进行分析。
本发明提供的故障诊断模块7诊断方法如下:
首先,在工业嵌入式控制系统中设置一故障诊断机制,故障诊断机制的存储区域与主系统的存储区域分离;
然后,在主系统运行过程中发生错误导致系统崩溃,主系统不再响应或者不能正确地响应用户操作时,启动诊断机制,由诊断机制读取主系统故障现场数据和分析故障数据。
本发明工作时,通过电源转换模块1将交流电转换为控制器适用的直流电;通过输入输出模块2进行控制数据的输入输出;微控制器控制模块3调度总线模拟模块4在现有工业控制微型计算机总线上增加一组传送模拟量的模拟总线,构成一种数字模拟混合总线;通过地址译码模块5对数据输入输出地址位置进行编译解码;通过存储模块6存储数据控制信息;通过故障诊断模块7对系统故障进行诊断分析;报警模块8检测到故障诊断模块7故障信号后,通过蜂鸣器进行报警。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的混合总线的工业嵌入式控制方法,包括:
由总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
通过集成的微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制;
构建不同的总线混合控制方法,包括:
1),通过网络监测节点收集异构网络运维数据;
2),根据获得的异构网络运维数据,构建统一的运维监测模型,以对异构网络进行实时监测;
3),将整个异构网络的优化目标分解为多个SON功能的决策行为,每一个SON功能的决策行为是一个单独的控制环SONuc;
根据运维监测模型的实时监测,调整和确定相应的无线网络参数,并触发和运行相应类型的特定SONm功能;
如果其SONm是同一时间尺度下的多个SONuc管理,则采用同一时间尺度下的多SON冲突避免优化处理机制;
如果其SONm是不同时间尺度下的SONuc管理,则采用不同时间尺度下的SON用例协同管理方法;
步骤2)中的运维监控模型是通过根据异构网络运维数据与异构网络无线资源管理参数的映射分析、逻辑回归分析方法和回归函数构建的;
运维监控模型的具体构建过程为:
采用逻辑回归分析方法,选取回归函数:flog(z)=1/(1+exp-z),z表示无线网络参数,flog(z)为关键性技术指标的逻辑回归分析值;
逻辑回归映射模型为:
ηm,i=βm,0+βm,1xi
其中,ym,i为第m个运维数据KPI指标的第i次采样值,xi为相应的无线网络参数,εi表示误差值,ηm,i=βm,0+βm,1xi为无线参数预测值,其中βm,0和βm,1为方程变量系数;
采用最大似然估计后,得到优化后的运维监控模型为:
其中开销函数为wm表示第m个运维KPI指标的权重,表示无线网络参数的最大似然估计值,表示第m运维数据KPI指标的最大似然估计值,thm表示第m个运维数据KPI指标的门限值,Ac表示运维数据KPI指标的集合;
对不同的控制方案进行不同的总线混合控制的方法包括:
步骤一,将小区从里到外依次分为3个区域,最里面区域是采用完全的内波束进行覆盖,中心的环形区域采用内外2个波束的联合传输进行传输数据,最外面区域采用外波束进行覆盖;最里面区域为第一区域,中心的环形区域为第二区域,最外面区域为第三区域;
步骤二,基于门限距离,计算第一区域和第三区域中的每个femtocell的干扰指示函数和femtocell的干扰度;
步骤三,对第一区域和第三区域中的联合区域中的每个femtocell进行分簇;
步骤四,建立femtocell到用户的信道模型,并基于3D天线模型构建宏基站到用户的信道增益模型;
步骤五,建立3个区域中宏用户和femtocell用户的信噪比和吞吐量模型;
步骤六,通过最大化小区中宏用户的总吞吐量,进行3D波束优化。
步骤二具体包括:
第一步,用femtocell之间的干扰指示函数e(νi,νj),j∈SF来表示femtocell之间的干扰情况:
其中,Rth表示门限距离,R(i,j)表示第i个femtocell与第j个femtocell之间的距离,SF表示参与分簇的femtocell集合,|SF|表示集合SF中femtocell的数目,并规定e(νi,νi)=0,即femtocell自身之间是不存在碰撞干扰的;
第二步,计算每个femtocell的干扰度,用dG(νi)表示:
dG(νi)=0,则νi是一个孤立点,即0度节点,意味着该femtocell与其余的femtocell均不存在碰撞干扰;
步骤三具体包括:
第一步,初始化分簇数目l=1,依据每个femtocell的e(νi,νj),将第一区域和第三区域中的联合区域中的每个femtocell进行分簇,并用V表示参与分簇的femtocell集合,S表示所有没有干扰的节点(0度节点)集合;
第二步,根据集合V中的femtocell元素构建femtocell的干扰矩阵A(G),并计算每个femtocell的干扰度dG(νi);
第三步,此时干扰矩阵A(G)中有干扰元素,令即返回最大干扰的femtocell数目为i,同时令dG(νi)=0,即将A(G)矩阵中第i行第i列的元素均置为0,并将节点νi记录到初始为空集的集合B中,这样不断将最大干扰元素记录到集合B中,并将干扰矩阵中该元素所在行和列置零,直到A(G)中无干扰元素为止,这样得到只有剩余节点构成的一组分簇结果Rl',l=l+1;
第四步,不能满足矩阵A(G)为全0矩阵且B为空集,则令集合V为集合B,同时令B为空集,并返回第二步重新构建新干扰矩阵A(G),得到新的分簇结果Rl';满足矩阵A(G)为全0矩阵且B为空集,此时集合V不为空集,则V中节点自成一组;
第五步,将初始的0度节点的集合S分配到包含femtocell数目最少的那组簇中,并结束femtocell分簇算法;
步骤六具体包括:
第一步,初始化功率p1以及下倾角θ1,θ2,根据已分好簇的femtocell,并确定femtocell对宏用户的干扰并计算迭代次数n=0时的宏基站的总吞吐量
第二步,计算宏基站对femtocell的干扰,并按照信噪比由高到低的顺序,依次进行femtocell用户和宏用户的载波资源的分配:
其中,γM为宏用户的最低信噪比需求,根据最低速率需求计算得到;
第三步,将功率p1和下倾角θ1,θ2分别按照下面公式进行迭代:
其中,pstep和θstep分别表示功率和下倾角的迭代步长,表示宏用户总的吞吐量RM对p1的偏导,和表示宏用户总的吞吐量RM分别对下倾角θ1,θ2的偏导数;
第四步,计算第n+1次迭代的宏用户总的吞吐量第n+1次迭代的吞吐量转第五步;否则,返回第二步继续进行算法;
第五步,获得最优的计算出此时的femtocell的用户总的吞吐量和小区总的吞吐量;
进一步,步骤3)中同一时间尺度下的多SON冲突避免优化处理机制为:
将每个SON作为一个单独的智能体,则将同一时间尺度下的SON管理转化为在相同环境下,对多个智能体的优化管理;
每个智能体单独优化的过程为一个马尔科夫过程,网络节点单独的控制环SONuc;其中,网络节点采用Q学习算法对每个智能体进行优化求解;
所述同一时间尺度下的多SON冲突避免优化处理机制包括智能体单元,冲突检测单元和效用单元;且所述每个智能体单独优化的马尔科夫过程,包括{状态信息S,行为集合A,转移概率T,回报值R};
所述的智能体单元包含所有的SON智能体,该单元的状态信息是所有SON智能体状态信息的集合,行为是所有SON智能体行为的行为集合,回报值定义为:
其中ri第i个SON智能体的回报值,wi为相应的权重;
冲突检测单元,通过检测多个SON调整的参数或是优化值,判定SON之间是否存在冲突,如果无冲突,则每个SON智能体单独进行优化,如果检测到冲突存在,则根据网络实际需求确定对应SON智能体优化目标的权重wi;
效用单元,根据冲突检测结果,确定的SON智能体优化目标的权重wi,计算回报值作为网络节点的整体回报值;
所述Q学习算法为根据网络节点的所有状态信息集合S来建立一个参数系统,其具体过程为:
首先建立和维护一个二维的Q值表,第一维用来表示所有可能的状态,第二维表示网络节点智能体所可能采取的行动,而每一个Q值表的单元q(s,a)都对应着智能体在状态s下采取行动a的Q值;
用户选择行动的准则为:SON智能体单元基于在给定状态下的每个动作的Q值表,按照概率进行动作选择,一个动作的Q值越大,则被选择的概率就越大;
网络节点智能体根据逻辑回归分析确定将要优化的无线网络参数,构建一个新状态S,在构建完状态S后,计算对应S的各个Q值;
SON智能体根据Q值以概率选择优化策略;然后网络节点智能体返回回报值;
用户终端根据回报值和现有的Q值按照以下公式,更新Q值表中的状态S和所选动作对应的值:
其中R(x,α)=E{r|s,a},π为所选的策略,α是学习因子。
步骤四具体包括:
第一步,宏基站采用3D波束进行小区覆盖,其水平辐射模型和垂直辐射模型表示如下:
其中,AE,H(φ)和AE,V(θ)分别表示水平方向和垂直方向的天线增益,表示用户的水平角,表示水平半功率波束宽度(HPBW);Am表示前后向增益,θ表示用户的垂直仰角,θetilt表示天线的下倾角;θ3dB表示垂直半功率波束宽度,SLAv表示旁瓣电平限制;
因此,宏基站到用户的3D天线增益表示如下:
其中,GE,Max表示单振子辐射元的最大方向增益(dB);
第二步,宏基站采用3D天线模型,这样宏基站到用户的信道增益表示为:
其中,αu,n,M为宏基站到用户u在第n个子载波上的频率选择性瑞利衰落,为宏基站到用户u的3D天线增益,Su,M为对数阴影衰落,Lu,M则为宏基站到用户的路径损耗;
第三步,femtocell采用传统的天线,这样femtocell到用户的信道增益表示为:
Gk,n,f=(αk,n,f)2AfSk,f/Lk,f;
其中,αk,n,f为femtocell基站到用户k在第n个子载波上的频率选择性瑞利衰落,Af为femtocell天线的增益,Sk,f为对数阴影衰落,Lk,f则为femtocell到用户k的路径损耗。
图2是本发明实施例提供的femtocell算法和AAS 3D波束算法得到的小区宏用户吞吐量和femtocell吞吐量的与现有的方案的吞吐量的仿真对比图;
图3是本发明实施例提供的机制与传统2D天线、以及内外有干扰的3D波束的小区边缘宏用户吞吐量的仿真对比图。
结合以下仿真对本发明的应用效果做进一步的说明:
1.仿真条件:
本发明考虑是单个宏小区的2层蜂窝网络,仿真采用正六边形蜂窝网小区,宏基站位于小区中心,宏小区的半径是500m,femtocell小区的半径是20m;宏基站到用户的路径损耗基于femtocell到用户的路径损耗分别是:
其中,WL为穿墙损耗,n为穿墙次数;具体仿真参数见表1所示;
表1仿真参数设定
2.仿真内容与结果
在LTE异构网络场景下对本发明所设计的基于有源天线三维波束模型的LTE异构网络干扰协调方案进行了系统级仿真:
2a)图2为本本发明的小区中femtocell用户总吞吐量、宏用户总吞吐量以及小区吞吐量与传统机制的对比图;图2中可以看到,采用本方案中femtocell分簇机制可以提高femtocell用户的总吞吐量,采用本方案提出的3D波束优化算法可以提高宏用户的总吞吐量,这样可以提升系统总的吞吐量;
2b)图3为本发明提出的机制与传统2D天线、以及内外有干扰的3D波束的小区边缘的宏用户吞吐量的仿真对比图;图3中可以看到,采3D内外2个波束,由于内外用户之间的同频干扰,并不能提升边缘用户的吞吐量,而采用本方案,则可以极大提升小区边缘用户的吞吐量。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种混合总线的工业嵌入式控制方法,其特征在于,所述混合总线的工业嵌入式控制方法包括:
由总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
通过集成的微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制;
构建不同的总线混合控制方法,包括:
1),通过网络监测节点收集异构网络运维数据;
2),根据获得的异构网络运维数据,构建统一的运维监测模型,以对异构网络进行实时监测;
3),将整个异构网络的优化目标分解为多个SON功能的决策行为,每一个SON功能的决策行为是一个单独的控制环SONuc;
根据运维监测模型的实时监测,调整和确定相应的无线网络参数,并触发和运行相应类型的特定SONm功能;
如果其SONm是同一时间尺度下的多个SONuc管理,则采用同一时间尺度下的多SON冲突避免优化处理机制;
如果其SONm是不同时间尺度下的SONuc管理,则采用不同时间尺度下的SON用例协同管理方法;
步骤2)中的运维监控模型是通过根据异构网络运维数据与异构网络无线资源管理参数的映射分析、逻辑回归分析方法和回归函数构建的;
运维监控模型的具体构建过程为:
采用逻辑回归分析方法,选取回归函数:flog(z)=1/(1+exp-z),z表示无线网络参数,flog(z)为关键性技术指标的逻辑回归分析值;
逻辑回归映射模型为:
ηm,i=βm,0+βm,1xi
其中,ym,i为第m个运维数据KPI指标的第i次采样值,xi为相应的无线网络参数,εi表示误差值,ηm,i=βm,0+βm,1xi为无线参数预测值,其中βm,0和βm,1为方程变量系数;
采用最大似然估计后,得到优化后的运维监控模型为:
其中开销函数为wm表示第m个运维KPI指标的权重,表示无线网络参数的最大似然估计值,表示第m运维数据KPI指标的最大似然估计值,thm表示第m个运维数据KPI指标的门限值,Ac表示运维数据KPI指标的集合;
对不同的控制方案进行不同的总线混合控制的方法包括:
步骤一,将小区从里到外依次分为3个区域,最里面区域是采用完全的内波束进行覆盖,中心的环形区域采用内外2个波束的联合传输进行传输数据,最外面区域采用外波束进行覆盖;最里面区域为第一区域,中心的环形区域为第二区域,最外面区域为第三区域;
步骤二,基于门限距离,计算第一区域和第三区域中的每个femtocell的干扰指示函数和femtocell的干扰度;
步骤三,对第一区域和第三区域中的联合区域中的每个femtocell进行分簇;
步骤四,建立femtocell到用户的信道模型,并基于3D天线模型构建宏基站到用户的信道增益模型;
步骤五,建立3个区域中宏用户和femtocell用户的信噪比和吞吐量模型;
步骤六,通过最大化小区中宏用户的总吞吐量,进行3D波束优化。
步骤二具体包括:
第一步,用femtocell之间的干扰指示函数来表示femtocell之间的干扰情况:
其中,Rth表示门限距离,R(i,j)表示第i个femtocell与第j个femtocell之间的距离,SF表示参与分簇的femtocell集合,|SF|表示集合SF中femtocell的数目,并规定e(νi,νi)=0,即femtocell自身之间是不存在碰撞干扰的;
第二步,计算每个femtocell的干扰度,用dG(νi)表示:
dG(νi)=0,则νi是一个孤立点,即0度节点,意味着该femtocell与其余的femtocell均不存在碰撞干扰;
步骤三具体包括:
第一步,初始化分簇数目l=1,依据每个femtocell的e(νi,νj),将第一区域和第三区域中的联合区域中的每个femtocell进行分簇,并用V表示参与分簇的femtocell集合,S表示所有没有干扰的节点(0度节点)集合;
第二步,根据集合V中的femtocell元素构建femtocell的干扰矩阵A(G),并计算每个femtocell的干扰度dG(νi);
第三步,此时干扰矩阵A(G)中有干扰元素,令即返回最大干扰的femtocell数目为i,同时令dG(νi)=0,即将A(G)矩阵中第i行第i列的元素均置为0,并将节点νi记录到初始为空集的集合B中,这样不断将最大干扰元素记录到集合B中,并将干扰矩阵中该元素所在行和列置零,直到A(G)中无干扰元素为止,这样得到只有剩余节点构成的一组分簇结果R′l,l=l+1;
第四步,不能满足矩阵A(G)为全0矩阵且B为空集,则令集合V为集合B,同时令B为空集,并返回第二步重新构建新干扰矩阵A(G),得到新的分簇结果R′l;满足矩阵A(G)为全0矩阵且B为空集,此时集合V不为空集,则V中节点自成一组;
第五步,将初始的0度节点的集合S分配到包含femtocell数目最少的那组簇中,并结束femtocell分簇算法;
步骤六具体包括:
第一步,初始化功率p1以及下倾角θ1,θ2,根据已分好簇的femtocell,并确定femtocell对宏用户的干扰并计算迭代次数n=0时的宏基站的总吞吐量
第二步,计算宏基站对femtocell的干扰,并按照信噪比由高到低的顺序,依次进行femtocell用户和宏用户的载波资源的分配:
其中,γM为宏用户的最低信噪比需求,根据最低速率需求计算得到;
第三步,将功率p1和下倾角θ1,θ2分别按照下面公式进行迭代:
其中,pstep和θstep分别表示功率和下倾角的迭代步长,表示宏用户总的吞吐量RM对p1的偏导,和表示宏用户总的吞吐量RM分别对下倾角θ1,θ2的偏导数;
第四步,计算第n+1次迭代的宏用户总的吞吐量第n+1次迭代的吞吐量转第五步;否则,返回第二步继续进行算法;
第五步,获得最优的计算出此时的femtocell的用户总的吞吐量和小区总的吞吐量。
2.如权利要求1所述的混合总线的工业嵌入式控制方法,其特征在于,步骤3)中同一时间尺度下的多SON冲突避免优化处理机制为:
将每个SON作为一个单独的智能体,则将同一时间尺度下的SON管理转化为在相同环境下,对多个智能体的优化管理;
每个智能体单独优化的过程为一个马尔科夫过程,网络节点单独的控制环SONuc;其中,网络节点采用Q学习算法对每个智能体进行优化求解;
所述同一时间尺度下的多SON冲突避免优化处理机制包括智能体单元,冲突检测单元和效用单元;且所述每个智能体单独优化的马尔科夫过程,包括{状态信息S,行为集合A,转移概率T,回报值R};
所述的智能体单元包含所有的SON智能体,该单元的状态信息是所有SON智能体状态信息的集合,行为是所有SON智能体行为的行为集合,回报值定义为:
其中ri第i个SON智能体的回报值,wi为相应的权重;
冲突检测单元,通过检测多个SON调整的参数或是优化值,判定SON之间是否存在冲突,如果无冲突,则每个SON智能体单独进行优化,如果检测到冲突存在,则根据网络实际需求确定对应SON智能体优化目标的权重wi;
效用单元,根据冲突检测结果,确定的SON智能体优化目标的权重wi,计算回报值作为网络节点的整体回报值;
所述Q学习算法为根据网络节点的所有状态信息集合S来建立一个参数系统,其具体过程为:
首先建立和维护一个二维的Q值表,第一维用来表示所有可能的状态,第二维表示网络节点智能体所可能采取的行动,而每一个Q值表的单元q(s,a)都对应着智能体在状态s下采取行动a的Q值;
用户选择行动的准则为:SON智能体单元基于在给定状态下的每个动作的Q值表,按照概率进行动作选择,一个动作的Q值越大,则被选择的概率就越大;
网络节点智能体根据逻辑回归分析确定将要优化的无线网络参数,构建一个新状态S,在构建完状态S后,计算对应S的各个Q值;
SON智能体根据Q值以概率选择优化策略;然后网络节点智能体返回回报值;
用户终端根据回报值和现有的Q值按照以下公式,更新Q值表中的状态S和所选动作对应的值:
其中R(x,α)=E{r|s,a},π为所选的策略,α是学习因子。
3.如权利要求1所述的混合总线的工业嵌入式控制方法,其特征在于,
步骤四具体包括:
第一步,宏基站采用3D波束进行小区覆盖,其水平辐射模型和垂直辐射模型表示如下:
其中,AE,H(φ)和AE,V(θ)分别表示水平方向和垂直方向的天线增益,表示用户的水平角,表示水平半功率波束宽度(HPBW);Am表示前后向增益,θ表示用户的垂直仰角,θetilt表示天线的下倾角;θ3dB表示垂直半功率波束宽度,SLAv表示旁瓣电平限制;
因此,宏基站到用户的3D天线增益表示如下:
其中,GE,Max表示单振子辐射元的最大方向增益(dB);
第二步,宏基站采用3D天线模型,这样宏基站到用户的信道增益表示为:
其中,αu,n,M为宏基站到用户u在第n个子载波上的频率选择性瑞利衰落,为宏基站到用户u的3D天线增益,Su,M为对数阴影衰落,Lu,M则为宏基站到用户的路径损耗;
第三步,femtocell采用传统的天线,这样femtocell到用户的信道增益表示为:
Gk,n,f=(αk,n,f)2AfSk,f/Lk,f;
其中,αk,n,f为femtocell基站到用户k在第n个子载波上的频率选择性瑞利衰落,Af为femtocell天线的增益,Sk,f为对数阴影衰落,Lk,f则为femtocell到用户k的路径损耗。
4.一种实现权利要求1~3任意一项所述混合总线的工业嵌入式控制方法的计算机程序。
5.一种实现权利要求1~3任意一项所述混合总线的工业嵌入式控制方法的信息数据处理终端。
6.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任意一项所述混合总线的工业嵌入式控制方法。
7.一种如权利要求1所述混合总线的工业嵌入式控制方法的混合总线的工业嵌入式控制系统,其特征在于,所述混合总线的工业嵌入式控制系统包括:
电源转换模块,与微控制器控制模块连接,用于将交流电转换为控制器适用的直流电;
输入输出模块,与微控制器控制模块连接,用于进行控制数据的输入输出;
微控制器控制模块,与电源转换模块、输入输出模块、总线模拟模块、地址译码模块、存储模块、故障诊断模块、报警模块连接,用于控制各个模块正常工作;
总线模拟模块,与微控制器控制模块连接,用于在现有工业控制微型计算机总线上增加一组传送模拟量的模拟总线,构成数字模拟混合总线;
地址译码模块,与微控制器控制模块连接,用于对数据输入输出地址位置进行编译解码;
存储模块,与微控制器控制模块连接,用于存储数据控制信息;
故障诊断模块,与微控制器控制模块连接,用于对系统故障进行诊断分析;
报警模块,与微控制器控制模块连接,用于通过蜂鸣器进行报警;
总线架构方式构建模块,与微控制器控制模块连接,用于总线逻辑控制方案、运动控制方案、CNC、ROBOT复合控制方案、XML控制方案、工业信息安全策略方案、工业网络接入方案组成总线架构方式,每种控制方案在总线中的分布策略的不同,构建不同的总线混合控制方法;
嵌入式控制系统,与微控制器控制模块连接,集成微控制器、曼彻斯特编码和译码器、DMA存储器、总线模拟器,按照一定的算法,对不同的控制方案进行不同的总线混合控制。
8.如权利要求7所述混合总线的工业嵌入式控制系统,其特征在于,
所述故障诊断模块包括故障信号检测模块、故障数据读取模块、故障数据分析模块;
故障信号检测模块,用于检测工业嵌入式控制系统故障信息;
故障数据读取模块,用于读取检测工业嵌入式控制系统故障现场数据;
故障数据分析模块,用于对检测工业嵌入式控制系统故障现场数据进行分析。
9.如权利要求7所述混合总线的工业嵌入式控制系统,其特征在于,故障诊断模块诊断中,首先,在工业嵌入式控制系统中设置一故障诊断机制,故障诊断机制的存储区域与主系统的存储区域分离;然后,在主系统运行过程中发生错误导致系统崩溃,主系统不再响应或者不能正确地响应用户操作时,启动诊断机制,由诊断机制读取主系统故障现场数据和分析故障数据。
10.一种搭载有权利要求7~9任意一项所述混合总线的工业嵌入式控制系统的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548263.4A CN108710352A (zh) | 2018-05-31 | 2018-05-31 | 混合总线的工业嵌入式控制方法及系统、信息处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548263.4A CN108710352A (zh) | 2018-05-31 | 2018-05-31 | 混合总线的工业嵌入式控制方法及系统、信息处理终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710352A true CN108710352A (zh) | 2018-10-26 |
Family
ID=63871117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810548263.4A Pending CN108710352A (zh) | 2018-05-31 | 2018-05-31 | 混合总线的工业嵌入式控制方法及系统、信息处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710352A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109531828A (zh) * | 2018-11-21 | 2019-03-29 | 中联重科股份有限公司 | 搅拌站数字化调试控制系统、方法和混凝土搅拌站及介质 |
CN109783216A (zh) * | 2019-01-17 | 2019-05-21 | 广东石油化工学院 | 一种混合云环境下多工作流负载均衡方法及系统 |
CN114884766A (zh) * | 2022-03-29 | 2022-08-09 | 机械工业仪器仪表综合技术经济研究所 | 一种实现多种工业总线与5g通信集成的装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1120199A (zh) * | 1995-06-02 | 1996-04-10 | 王普林 | 数字模拟混合总线的工业控制微型计算机 |
EP1054309A2 (de) * | 1999-05-17 | 2000-11-22 | Sick AG | Verfahren und Vorrichtung zur sicheren Übertragung von Datensignalen über ein Bussystem |
CN104618946A (zh) * | 2015-01-08 | 2015-05-13 | 西安电子科技大学 | 基于有源天线三维波束模型的lte异构网络干扰协调方法 |
CN104618149A (zh) * | 2015-01-08 | 2015-05-13 | 西安电子科技大学 | 一种异构网络son智能运维管理方法 |
CN107703861A (zh) * | 2017-11-13 | 2018-02-16 | 柯钢 | 一种基于物联网的环境监控器 |
-
2018
- 2018-05-31 CN CN201810548263.4A patent/CN108710352A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1120199A (zh) * | 1995-06-02 | 1996-04-10 | 王普林 | 数字模拟混合总线的工业控制微型计算机 |
EP1054309A2 (de) * | 1999-05-17 | 2000-11-22 | Sick AG | Verfahren und Vorrichtung zur sicheren Übertragung von Datensignalen über ein Bussystem |
CN104618946A (zh) * | 2015-01-08 | 2015-05-13 | 西安电子科技大学 | 基于有源天线三维波束模型的lte异构网络干扰协调方法 |
CN104618149A (zh) * | 2015-01-08 | 2015-05-13 | 西安电子科技大学 | 一种异构网络son智能运维管理方法 |
CN107703861A (zh) * | 2017-11-13 | 2018-02-16 | 柯钢 | 一种基于物联网的环境监控器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109531828A (zh) * | 2018-11-21 | 2019-03-29 | 中联重科股份有限公司 | 搅拌站数字化调试控制系统、方法和混凝土搅拌站及介质 |
CN109783216A (zh) * | 2019-01-17 | 2019-05-21 | 广东石油化工学院 | 一种混合云环境下多工作流负载均衡方法及系统 |
CN114884766A (zh) * | 2022-03-29 | 2022-08-09 | 机械工业仪器仪表综合技术经济研究所 | 一种实现多种工业总线与5g通信集成的装置 |
CN114884766B (zh) * | 2022-03-29 | 2024-04-26 | 机械工业仪器仪表综合技术经济研究所 | 一种实现多种工业总线与5g通信集成的装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710352A (zh) | 混合总线的工业嵌入式控制方法及系统、信息处理终端 | |
Ge et al. | Deep reinforcement learning for distributed dynamic MISO downlink-beamforming coordination | |
Alippi et al. | A cloud to the ground: The new frontier of intelligent and autonomous networks of things | |
EP3000204B1 (en) | System and methods for multi-objective cell switch-off in wireless networks | |
US8805428B2 (en) | Cooperative spectrum sensing in cognitive radio networks | |
KR101667074B1 (ko) | 무선 네트워크의 구성을 위한 방법 | |
Gong et al. | An efficient genetic algorithm for large-scale planning of dense and robust industrial wireless networks | |
CN111786712B (zh) | 一种基于cr的uav通信网络次级链路吞吐量优化方法 | |
US10014921B2 (en) | Method of coordinating concurrent sector optimizations in a wireless communication system | |
CN117581248A (zh) | 确定用于管理环境的目标策略 | |
Bouton et al. | Coordinated reinforcement learning for optimizing mobile networks | |
Badr et al. | Energy aware routing for wireless sensor networks | |
CN113315659B (zh) | 一种面向智能工厂的任务协同规划方法及系统 | |
Feng et al. | Optimal RFID networks planning using a hybrid evolutionary algorithm and swarm intelligence with multi-community population structure | |
CN115314904B (zh) | 基于多智能体最大熵强化学习的通信覆盖方法及相关设备 | |
Bayram et al. | Multi-robot navigation with limited communication-deterministic vs game-theoretic networks | |
CN107396372A (zh) | 一种时域干扰协调下最大最小公平的分布式能效优化方法 | |
CN115811788A (zh) | 一种深度强化学习联合无监督学习的d2d网络分布式资源分配方法 | |
CN113395709B (zh) | 一种面向用户基站泊松分布的服务覆盖分析方法 | |
Assarian et al. | An efficient resource allocation scheme in a dense RFID network based on cellular learning automata | |
CN114173421A (zh) | 基于深度强化学习的LoRa逻辑信道及功率分配方法 | |
Galindo-Serrano et al. | Managing femto to macro interference without X2 interface support through POMDP | |
Aliu et al. | Self organised cellular networks as the future of wireless communications | |
Yang et al. | Deep reinforcement learning in NOMA-assisted UAV networks for path selection and resource offloading | |
Olawole et al. | Channel assignment scheme in clustered multichannel cognitive radio networks with outdated CSI over Rayleigh fading channels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |