CN113361113B - 一种能耗可调的高铁转向架孪生数据分配方法 - Google Patents
一种能耗可调的高铁转向架孪生数据分配方法 Download PDFInfo
- Publication number
- CN113361113B CN113361113B CN202110646231.XA CN202110646231A CN113361113B CN 113361113 B CN113361113 B CN 113361113B CN 202110646231 A CN202110646231 A CN 202110646231A CN 113361113 B CN113361113 B CN 113361113B
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- cloud computing
- speed rail
- edge
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Abstract
一种能耗可调的高铁转向架孪生数据分配方法,包括如下步骤:建立边缘计算与云计算结合的数据处理模型:将高铁转向架孪生数据划分为两部分,按照最小化能耗的原则将这两部分数据分别分配到边缘结点和云计算中心;基于建立的数据处理模型,计算出边缘计算与云计算分别产生的能量消耗,进而得到总的能量消耗,计算出能量消耗最小时高铁转向架孪生数据的分配比例;根据计算获得的分配比例划分高铁转向架孪生数据,并且将对应部分的孪生数据分别发送给边缘结点和云计算中心进行计算。本发明通过引入能耗调节参数,控制高铁转向架孪生数据分配过程中的能耗,有利于充分发挥边缘计算和云计算各自优势,实现能耗可调的计算任务分配。
Description
技术领域
本发明属于高铁转向架监测、数字孪生数据分配、边缘计算、云计算、工业互联网、网络资源管理等技术领域,具体涉及一种能耗可调的高铁转向架孪生数据分配方法。
背景技术
近年来,数字孪生以其能够实现物理世界和现实世界交互融合的特点受到国内外广泛关注,通过执行任务前对物理实体与孪生体的充分训练,使孪生体具有能够较为准确地反映物理实体运行状态的能力,从而实现对物理实体的有效监控。孪生数据有效的分配,可以使得物理实体和数字孪生体交互性强、可靠性高,从而对物理实体的故障诊断、预测性维护以及健康管理等提供有效途径。对孪生数据的分配有很多方法,本发明提出一种能耗可调的孪生数据分配方法,以最小化数据分布式计算的总能耗。
发明内容
本发明针对现有技术中的不足,提供一种能耗可调的高铁转向架孪生数据分配方法,以最小化数据分布式计算的能量消耗。
为实现上述目的,本发明采用以下技术方案:
一种能耗可调的高铁转向架孪生数据分配方法,其特征在于,包括如下步骤:
步骤1:建立边缘计算与云计算结合的数据处理模型:将高铁转向架孪生数据划分为两部分,按照最小化能耗的原则将这两部分数据分别分配到边缘结点和云计算中心,即云平台、云端;
步骤2:基于步骤1建立的数据处理模型,计算出采用边缘计算与云计算分别产生的能量消耗,进而得到总的能量消耗,计算出能量消耗最小时高铁转向架孪生数据的分配比例;
步骤3:根据步骤2计算获得的分配比例划分高铁转向架孪生数据,并且将对应部分的孪生数据分别发送给边缘结点和云计算中心进行计算。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述步骤1中,边缘结点分配的计算量占孪生数据总计算量A的比例为ω,ω∈[0,1],云计算中心分配到的计算量比例为1-ω。
进一步地,所述步骤2中,计算出采用边缘计算与云计算分别产生的能量消耗,因边缘结点靠近数据采集源,即数据源,忽略数据源到边缘结点的通信时延;因云计算中心的计算能力无限大,忽略云计算中心的计算时延;具体如下:
设边缘结点的计算时延为Te,如下所示:
其中,A为孪生数据总计算量,单位为bit,v0是边缘结点CPU的计算速度,单位为bit/s;
数据传输到云计算中心的传输信道为瑞利衰落信道,瑞利分布的概率密度函数p(γ),表达式如下所示:
其中,γ为瑞利幅值,σ2为噪声功率;
中断概率为Prout,如下所示:
其中,Pr(.)表示概率函数,γ0为截止信道增益对应的信道幅值,σ2为噪声功率;
数据传输到云计算中心的通信时延为Tc,如下所示:
其中,M是高铁转向架孪生数据采集设备与云计算中心建立通信后,将数据上传云计算中心的数据传输速率,单位为bit/s;
设边缘结点计算所消耗的总能量为Qe,如下所示:
Qe=PeωATe
其中,Pe是边缘结点计算每bit数据所消耗的功率,单位为W/bit,PeωA表示边缘结点计算ωA的数据需要消耗的功率,Qe表示边缘结点在时间Te内消耗的总能量;
设传输到云计算中心所消耗的总能量为Qc,如下所示:
Qc=Pc(1-ω)ATc
其中,Pc是每bit数据传输到云计算中心所消耗的功率,单位为W/bit,Pc(1-ω)A表示传输(1-ω)A的数据需要消耗的功率,Qc表示在时间Tc内数据传输到云计算中心消耗的总能量。
进一步地,所述步骤2中,总的能量消耗Q表示为:
Q=βQe+(1-β)Qc
其中,β和1-β分别为控制在采用边缘计算和采用云计算消耗能量的权重,0≤β≤1。
进一步地,所述步骤2中,计算出能量消耗最小时高铁转向架孪生数据的分配比例,具体如下:
再对Q进行二次求导:
进一步地,所述步骤3中,根据对采用边缘结点和云计算中心进行计算所产生能耗的权重度,选择合适的β值,按照步骤2计算获得的比例值ω划分高铁转向架孪生数据。
本发明的有益效果是:本发明提出了一种能耗可调的高铁转向架孪生数据分配方法,该方法通过引入一个能耗调节参数,控制高铁转向架孪生数据分配过程中的能耗。有利于充分发挥边缘计算和云计算各自优势,实现能耗可调的计算任务分配。
附图说明
图1为一种能耗可调的高铁转向架孪生数据分配方法的示意图。
图2为在不同β值下,使用均匀分配算法和本发明提出的最优分配算法的能耗对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的一种能耗可调的高铁转向架孪生数据分配方法,其主要过程如下。
1)建立高铁转向架运行时边缘计算与云计算结合的模型。
具体是定义数字孪生高铁转向架模型运行孪生数据计算量是A(bit),此时采用边缘计算和云端计算相结合的方式,按照所需能耗最小的规则将高铁转向架运行时的孪生数据分配到边缘结点(即边缘计算设备)和云计算中心(即云平台、云端),设模型运行时边缘部分的计算量占总计算量的比例为ω,其中ω∈[0,1],云端平台分配的计算量比例为1-ω。
2)分别计算出采用边缘计算和云计算的能量消耗,继而得到总的能量消耗。
具体通过计算采用边缘计算和采用云计算的能量消耗,而总的能量消耗等于边缘上的能量消耗加上云端的能量消耗。
因边缘结点距离数据源较近,忽略从数据源到边缘结点的传输时延,孪生数据在边缘上的计算时延为:
其中,v0是边缘计算设备CPU的运算速度,单位为bit/s。
因云平台的计算能力无限大,云平台的计算时延忽略不计,考虑到数据传输到云平台的传输信道为瑞利衰落信道,瑞利分布的概率密度函数p(γ),表达式如下所示:
其中,γ为瑞利幅值,σ2为噪声功率;
中断概率为Prout,如下所示:
其中,Pr(.)表示概率函数,γ0为截止信道增益对应的信道幅值,σ2为噪声功率;
数据传输到云平台的通信时延为Tc,如下所示:
其中,M是高铁转向架数据采集设备与云端平台建立通信后,将数据上传云端平台的数据传输速率,单位为bit/s;
设边缘结点计算所消耗的总能量为Qe,如下所示:
Qe=PeωATe (5)
其中,Pe是边缘结点计算每bit数据所消耗的功率,单位为W/bit,公式(5)中PeωA表示边缘结点计算ωA(单位为:bit)的数据需要的功率。Qe表示边缘结点在时间Te内消耗的总能量。
设传输到云平台所消耗的总能量为Qc,如下所示:
Qc=Pc(1-ω)ATc (6)
其中,Pc是每bit数据传输到云平台所消耗的功率,单位为W/bit,公式(6)中Pc(1-ω)A表示传输(1-ω)A(单位为:bit)的数据需要的功率。Qc表示在时间Tc内数据传输到云平台消耗的总能量。
因此,孪生数据在采用边缘计算和云计算能量消耗分别为Qe和Qc,定义β和1-β分别为控制在边缘设备消耗的能量和云平台消耗的能量的权重,即0≤β≤1。当β值较大时,采用边缘计算所消耗的能量占的权重较大,反之则采用云计算消耗的能量占的权重较大。可以对采用边缘计算和云计算消耗的能量权重度的不同改动β的数值大小,从而控制资源分配时所产生的能量消耗。
所产生的总消耗的能量为:
3)将总的能量消耗进行求导,分别对其求取一次导数和二次导数,找到函数的最小值。
为了确定关于ω的函数Q的单调性,对函数Q求一次导数:
对Q′再次求导得到Q″:
4)按照上述步骤求得的最佳分配比例,根据边缘设备状态选取合适β值,实现对边缘设备能耗可调,使得总消耗的能量最小化。将孪生数据按照最佳比例分别分配给边缘计算设备和云端平台,完成相应的计算。
图2是在不同β值下,使用均匀分配算法和本发明提出的最优分配算法的能耗对比图。由图2可以看出,与现有技术相比,本发明有效利用边缘计算所提出的基于高铁转向架孪生数据边缘计算的合理数据分配方案,能够在数据分布式处理中获得更小的能耗。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种能耗可调的高铁转向架孪生数据分配方法,其特征在于,包括如下步骤:
步骤1:建立边缘计算与云计算结合的数据处理模型:将高铁转向架孪生数据划分为两部分,按照最小化能耗的原则将这两部分数据分别分配到边缘结点和云计算中心;
步骤2:基于步骤1建立的数据处理模型,计算出采用边缘计算与云计算分别产生的能量消耗,进而得到总的能量消耗,计算出能量消耗最小时高铁转向架孪生数据的分配比例;
步骤3:根据步骤2计算获得的分配比例划分高铁转向架孪生数据,并且将对应部分的孪生数据分别发送给边缘结点和云计算中心进行计算;
所述步骤1中,边缘结点分配的计算量占孪生数据总计算量A的比例为ω,ω∈[0,1],分配给云计算中心的计算量比例为1-ω;
所述步骤2中,计算出采用边缘计算与云计算分别产生的能量消耗,因边缘结点靠近数据源,忽略数据源到边缘结点的通信时延;因云计算中心的计算能力无限大,忽略云计算中心的计算时延;具体如下:
设边缘结点的计算时延为Te,如下所示:
其中,A为孪生数据总计算量,单位为bit,v0是边缘结点CPU的计算速度,单位为bit/s;
数据传输到云计算中心的传输信道为瑞利衰落信道,瑞利分布的概率密度函数p(γ),表达式如下所示:
其中,γ为瑞利幅值,σ2为噪声功率;
中断概率为Prout,如下所示:
其中,Pr(.)表示概率函数,γ0为截止信道增益对应的信道幅值,σ2为噪声功率;
数据传输到云计算中心的通信时延为Tc,如下所示:
其中,M是高铁转向架孪生数据采集设备与云计算中心建立通信后,将数据上传云计算中心的数据传输速率,单位为bit/s;
设边缘结点计算所消耗的总能量为Qe,如下所示:
Qe=PeωATe
其中,Pe是边缘结点计算每bit数据所消耗的功率,单位为W/bit,PeωA表示边缘结点计算ωA的数据需要消耗的功率,Qe表示边缘结点在时间Te内消耗的总能量;
设传输到云计算中心所消耗的总能量为Qc,如下所示:
Qc=Pc(1-ω)ATc
其中,Pc是每bit数据传输到云计算中心所消耗的功率,单位为W/bit,Pc(1-ω)A表示传输(1-ω)A的数据需要消耗的功率,Qc表示在时间Tc内数据传输到云计算中心消耗的总能量。
2.如权利要求1所述的一种能耗可调的高铁转向架孪生数据分配方法,其特征在于:所述步骤2中,总的能量消耗Q表示为:
Q=βQe+(1-β)Qc
其中,β和1-β分别为控制采用边缘计算和采用云计算消耗能量的权重,0≤β≤1。
4.如权利要求3所述的一种能耗可调的高铁转向架孪生数据分配方法,其特征在于:所述步骤3中,根据对采用边缘结点和云计算中心进行计算所产生能耗的权重度,选择合适的β值,按照步骤2计算获得的比例值ω划分高铁转向架孪生数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646231.XA CN113361113B (zh) | 2021-06-09 | 2021-06-09 | 一种能耗可调的高铁转向架孪生数据分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646231.XA CN113361113B (zh) | 2021-06-09 | 2021-06-09 | 一种能耗可调的高铁转向架孪生数据分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361113A CN113361113A (zh) | 2021-09-07 |
CN113361113B true CN113361113B (zh) | 2021-12-14 |
Family
ID=77533645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646231.XA Active CN113361113B (zh) | 2021-06-09 | 2021-06-09 | 一种能耗可调的高铁转向架孪生数据分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361113B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984416A (zh) * | 2021-09-09 | 2022-01-28 | 中车青岛四方机车车辆股份有限公司 | 转向架的检测数据处理方法、装置、设备及可读存储介质 |
CN114019816B (zh) * | 2021-11-16 | 2023-11-14 | 南京工程学院 | 一种基于云计算的智能家居能耗优化方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
CN110753101B (zh) * | 2019-10-15 | 2020-09-01 | 南京工程学院 | 边缘计算中低能耗的计算结点选择和计算任务分配方法 |
CN111585916B (zh) * | 2019-12-26 | 2023-08-01 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
CN111240701B (zh) * | 2019-12-31 | 2023-07-25 | 重庆大学 | 一种端-边-云协同计算的任务卸载优化方法 |
CN112100155B (zh) * | 2020-09-09 | 2023-05-23 | 北京航空航天大学 | 一种云边协同的数字孪生模型组装与融合方法 |
-
2021
- 2021-06-09 CN CN202110646231.XA patent/CN113361113B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113361113A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361113B (zh) | 一种能耗可调的高铁转向架孪生数据分配方法 | |
CN112070240B (zh) | 一种高效通信的分层联邦学习框架及其优化方法和系统 | |
MXPA05006550A (es) | Control de flujo en dispositivos de red. | |
CN102612080B (zh) | 基于第二代小波零树编码的最小能耗自适应汇聚路由方法 | |
CN105897506A (zh) | 一种带宽估计方法及装置 | |
CN103984311A (zh) | 网络化控制系统变采样预测控制器 | |
CN112203300A (zh) | 一种电力物联网无线通信节点路由性能评价方法 | |
CN103841648A (zh) | 一种分布式协作传输速率、发送功率和频谱分配的方法 | |
Xia et al. | Deep reinforcement learning for smart city communication networks | |
CN109951317B (zh) | 一种基于用户驱动的流行度感知模型的缓存替换方法 | |
CN110290071A (zh) | 网络流量均衡调整的方法及系统、云端服务器及监控设备 | |
CN110753101B (zh) | 边缘计算中低能耗的计算结点选择和计算任务分配方法 | |
CN110730232B (zh) | 边缘计算中高能效的计算结点选择和计算任务分配方法 | |
CN111954239A (zh) | 基于云计算的公安用基础通信网络优化系统 | |
CN115021300B (zh) | 基于mpc算法的电动汽车调频延时补偿控制策略 | |
CN112600827B (zh) | 基于增量式最小费用最大流的虚拟服务迁移方法及系统 | |
CN115277563B (zh) | 一种基于离线强化学习的片上网络近似控制系统 | |
CN108073445A (zh) | 基于分布式流计算的背压处理方法和系统 | |
Yang et al. | Federated learning-based power control and computing for mobile edge computing system | |
CN113361088B (zh) | 一种基于边缘计算的低能耗高铁轮对轴温监测及诊断方法 | |
Meng et al. | Fastconv: Fast learning based adaptive bitrate algorithm for video streaming | |
Hao et al. | Buffer Displacement Based Online Learning Algorithm For Low Latency HTTP Adaptive Streaming | |
Gong et al. | Nuwa-RL: A Reinforcement Learning based Receiver-side Congestion Control Algorithm to Meet Applications Demands over Dynamic Wireless Networks | |
Li et al. | Energy-Efficient Federated Learning for Wireless Computing Power Networks | |
Qiao et al. | Crowd Intelligence Empowered Video Transmission in Ultra-low-bandwidth Constrained Circumstances |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |