CN113939002A - 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 - Google Patents
一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 Download PDFInfo
- Publication number
- CN113939002A CN113939002A CN202111001932.4A CN202111001932A CN113939002A CN 113939002 A CN113939002 A CN 113939002A CN 202111001932 A CN202111001932 A CN 202111001932A CN 113939002 A CN113939002 A CN 113939002A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- wireless radio
- power transmission
- transmission loss
- transmitting
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 50
- 230000006854 communication Effects 0.000 title claims abstract description 18
- 238000004891 communication Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000002699 waste material Substances 0.000 claims abstract description 3
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000002500 effect on skin Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/06—TPC algorithms
- H04W52/14—Separate analysis of uplink or downlink
- H04W52/146—Uplink power control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
- H04B1/40—Circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Transmitters (AREA)
Abstract
本发明公开了一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,该系统包括发射电路和接收电路,发射电路由发射线圈、内嵌神经网络模块的控制器、模数转换模块、电源模块组成,接收电路由接收线圈、智能边缘计算模块、传感器群组成。利用智能边缘计算模块对采集到的大量工业环境参数数据进行分析和处理,避免了数据冗余造成的存储资源和计算资源浪费;对功率传输损耗进行补偿,做到“一圈多用”,实现无线射频能量智能传输。这一系统的应用将提高无线射频能量传输效率,保证无源终端的正常工作,可以提升无线射频通信系统在面对复杂多变工业环境时的鲁棒性和智能性。
Description
技术领域
本发明涉及无线射频领域、电磁耦合领域、深度学习领域和智能边缘计算领域。通过对工业环境参数进行实时采集和智能边缘计算,再由神经网络处理,智能预测无线射频通信过程中功率传输损耗,自适应地调节无线射频发射线圈接入电路回路部分,从而灵活动态地调整发射功率,实现无线射频能量智能传输,保证无源终端的正常工作。
背景技术
近年来,无线射频通信技术作为物联网技术的关键组成部分之一,得到了长远的发展,广泛应用于人类社会。其中,面对工业环境时,如城市地下管道、化工企业、油气矿井等,大多充满泥浆、沙石和金属。由于环境和位置的限制,使得无线射频通信网络的终端节点电池更换不便,故在工程应用中这些节点多采用无源终端。
虽然使用无源终端解决了节点电池更换不便的问题,但存在能量供应问题。在工业环境中,环境介质会与无线射频通信系统中的收发电路进行磁耦合,分走一部分发射线圈供应给接收线圈的能量,造成无源终端的能量不足,无法正常工作。操作较为简单的解决方法是增大发射线圈所在电路的电源电压U来提高发射线圈两端电压,进而使耦合给接收线圈的能量增多,但这种方法会增加电路损耗,浪费成本。在谐振的情况下,发射线圈的两端电压UL=Q*U,故较为合理的解决方法是通过调整发射线圈的电感L和电阻R,增大发射线圈的品质因素Q(Q=ωL/R)来提高发射线圈两端电压。然而这种方法的弊端是:工业环境介质复杂多变,功率传输损耗也会随之发生较大变化。而发射线圈的形状一旦固定就难以改变,无法应对工业环境的动态变化,仍会发生发射线圈向接收线圈耦合的能量不足的情况,使无源终端无法正常工作,造成无线射频通信失败。
为此,本发明提出一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,基于深度学习,利用神经网络对工业环境进行参数化建模,智能研判无线射频通信过程中因环境介质耦合而引起的功率传输损耗,自适应地调节发射线圈接入电路回路部分,灵活动态地调整发射功率,对功率传输损耗进行补偿,做到“一圈多用”,实现无线射频能量智能传输,从而保证无源终端的正常工作。这一系统的应用将提高无线射频能量传输效率,提升无线射频通信系统在面对复杂多变工业环境时的鲁棒性和智能性。
发明内容
本发明的目的是针对现有技术的不足,设计了一种可以在复杂多变的工业环境中智能研判功率传输损耗从而灵活动态地调整发射功率的无线射频能量智能传输系统。该系统包括发射电路和接收电路,发射电路由发射线圈、内嵌神经网络模块的控制器、模数转换模块、电源模块组成,接收电路由接收线圈、智能边缘计算模块、传感器群组成。下面对该系统的重点模块及整体功能实现进行简单说明。
不同于传统的螺线管线圈只有一个电流流入端和一个电流流出端,本发明中的发射线圈有多个电流流出端,以提供发射线圈不同长度的电路回路接入部分。不同接入长度的选择是通过控制器对选择开关进行控制,保证绝缘而不会发生短路。本发明中的神经网络模块对工业环境中的众多环境参数进行认知和学习,根据无线射频通信过程中功率传输损耗受各环境参数影响程度大小,对环境参数进行分类,并据此对神经网络的隐藏层进行分区,对功率传输损耗影响小的环境参数用较少的隐藏层区进行训练,从而在保证网络精度的同时减少权重参数的数量以节省运行开销。该神经网络的输入是各环境参数,输出是功率传输损耗,其训练集和测试集通过HFSS进行电磁仿真获得。
整体的功能实现是:电源模块供电后,发射电路控制发射线圈向接收电路进行能量传输。接收线圈与发射线圈进行磁耦合获取能量,进而向传感器群提供电能,其中环境参数采集传感器实时采集工业环境参数信息,并由智能边缘计算模块进行分析和处理,减少冗余数据,然后经线圈耦合回传到发射电路。发射电路中的模数转换模块将工业环境参数数据转换成数字信号,用神经网络模块智能研判功率传输损耗,控制器根据该预测值选择发射线圈接入电路回路部分的长度,对功率传输损耗进行足够的补偿。
通过上述系统中发射线圈、神经网络模块与其他模块的相互配合,不仅可以实现工业环境下对无线射频通信过程中产生的功率传输损耗进行补偿,保证无源终端的正常工作,还可以根据环境介质参数的变化来智能研判功率传输损耗的变化,从而自适应地调节发射线圈接入电路回路部分,灵活动态地调整发射功率,做到“一圈多用”,实现无线射频能量智能传输。
附图说明
图1为本发明中可自适应调节接入电路回路部分的发射线圈结构图。
图2为神经网络的结构图。
图3为本发明的无线射频能量智能传输系统的结构图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步的详细描述。
如图1所示,为本发明中可自适应调节接入电路回路部分的发射线圈结构图。通过大量的现场预实验,由系统的发射功率和接收功率得到一组功率传输损耗值,对其进行趋势分析,并设置一个合适的阈值,在阈值之上,选取一系列典型的功率传输损耗值。根据这些需要被补偿的功率传输损耗值,计算出对应的接入电路回路部分的线圈长度,通过控制器操纵开关进行选择,并保证绝缘,由此设计出可进行自适应调节的发射线圈。
如图2所示,是本发明中设计的神经网络结构图。通过对工业环境中的众多环境参数进行认知和学习,根据无线射频通信过程中功率传输损耗受各环境参数影响程度大小,对环境参数进行分类,并据此对神经网络的隐藏层进行分区,对功率传输损耗影响小的环境参数用较少的隐藏层区进行训练,从而在保证网络精度的同时减少权重参数的数量以节省运行开销。
如图3所示,为本发明的无线射频能量智能传输系统的结构图。发射电路中的电源模块供电后,发射线圈获得激励电压,通过电磁耦合,使接收电路中的接收线圈获得能量,驱动传感器群工作,其中的环境参数采集传感器对动态变化的工业环境参数信息进行采集,并由智能边缘计算模块进行分析和处理,减少冗余数据,再经天线耦合传至发射电路的模数转换模块,将得到的环境参数数字信号作为神经网络的输入,对功率传输损耗进行预测。控制器接收到功率传输损耗预测值后根据程序设定来选择发射线圈接入电路回路部分的长度,进行足够的功率传输损耗补偿,实现无线射频能量智能传输,从而保证无源终端的正常工作。
Claims (5)
1.一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,其特征在于:该系统基于深度学习理论,利用神经网络对工业环境进行参数化建模,智能研判无线射频通信全过程中因环境介质而引起的功率传输损耗,自适应地调节发射线圈接入电路回路部分的长度,动态地调整发射功率,对功率传输损耗进行补偿,实现无线射频能量智能传输,从而保证接收电路中的无源终端正常工作;该系统包括发射电路和接收电路,发射电路由发射线圈、内嵌神经网络模块的控制器、模数转换模块、电源模块组成,接收电路由接收线圈、智能边缘计算模块、传感器群组成;电源模块为系统各个部分提供稳定工作电压;发射线圈向外发射信号;接收电路中的接收线圈通过与发射线圈耦合而获取能量,驱动传感器群工作;传感器群中的环境参数采集传感器实时采集工业环境参数数据;智能边缘计算模块进行数据的分析和处理,再将处理好的环境参数数据经线圈耦合回传给发射电路,避免有重复数据造成资源浪费;模数转换模块对参数信息数据进行处理,转换为数字信号;神经网络以参数信号为输入,智能研判功率传输损耗;控制器接收到功率传输损耗预测值后根据程序设定来选择发射线圈接入电路回路部分的长度,进行功率传输损耗补偿,实现无线射频能量智能传输。
2.根据权利要求1所述的一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,其特征在于:基于深度学习,构建了工业环境参数的神经网络模型,该神经网络按照环境参数对功率传输损耗的影响程度来对环境参数进行分类,并对隐藏层进行分区,在保证网络精度的同时减少了权重参数的数量以节省运行开销。
3.根据权利要求1所述的一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,其特征在于:发射电路中的发射线圈具有自适应可调节接入电路回路部分长度的功能;通过实验,设置一个合适的阈值对应最短的发射线圈,在阈值之上,选取功率传输损耗值;根据这些需要被补偿的功率传输损耗值,计算出对应的接入电路回路部分的线圈长度,通过控制器操纵开关进行选择,并保证绝缘,由此设计出可进行自适应调节的发射线圈。
4.根据权利要求1所述的一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,其特征在于:传感器群实时采集多种工业环境参数,如温度T、湿度ψ、密度ρ、气体浓度V、磁场强度H、压强P、频率f、集肤效应Fs、邻近效应Fp,经神经网络处理后预测得到的功率传输损耗具有准确度,提升无线射频通信系统在面对复杂多变工业环境时无线射频能量传输的鲁棒性和智能性。
5.根据权利要求1所述的一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统,其特征在于:智能边缘计算模块会对传感器群采集到的大量环境参数数据进行分析和处理;当各环境参数发生变化且变化值对功率传输损耗影响较大时,智能边缘计算模块对数据进行实时传输;当某时间段内各环境参数数据未发生变化或变化微小时,由智能边缘计算模块进行平均处理后,再经线圈耦合回传到发射电路,避免数据冗余,浪费存储资源和计算资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111001932.4A CN113939002B (zh) | 2021-08-30 | 2021-08-30 | 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111001932.4A CN113939002B (zh) | 2021-08-30 | 2021-08-30 | 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113939002A true CN113939002A (zh) | 2022-01-14 |
CN113939002B CN113939002B (zh) | 2024-05-28 |
Family
ID=79274703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111001932.4A Active CN113939002B (zh) | 2021-08-30 | 2021-08-30 | 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113939002B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116318238A (zh) * | 2023-03-27 | 2023-06-23 | 北京航空航天大学 | 一种针对微型无源神经接口中无线链路的频率选择分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140096612A1 (en) * | 2012-10-10 | 2014-04-10 | General Electric Company | System and method for detecting vibration |
CN105931449A (zh) * | 2016-06-15 | 2016-09-07 | 中国矿业大学 | 一种用于地下管网安全监测的磁感应波导通信装置与方法 |
CN107839486A (zh) * | 2016-09-21 | 2018-03-27 | 天津工业大学 | 一种应用于动态无线供电系统的能量耦合结构设计 |
CN110970986A (zh) * | 2019-09-18 | 2020-04-07 | 马金戈 | 基于无线能量传输的信息发送/接收装置、方法及系统 |
CN112987111A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于卷积神经网络的地下管道探测功率自动控制平台 |
-
2021
- 2021-08-30 CN CN202111001932.4A patent/CN113939002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140096612A1 (en) * | 2012-10-10 | 2014-04-10 | General Electric Company | System and method for detecting vibration |
CN105931449A (zh) * | 2016-06-15 | 2016-09-07 | 中国矿业大学 | 一种用于地下管网安全监测的磁感应波导通信装置与方法 |
CN107839486A (zh) * | 2016-09-21 | 2018-03-27 | 天津工业大学 | 一种应用于动态无线供电系统的能量耦合结构设计 |
CN110970986A (zh) * | 2019-09-18 | 2020-04-07 | 马金戈 | 基于无线能量传输的信息发送/接收装置、方法及系统 |
CN112987111A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于卷积神经网络的地下管道探测功率自动控制平台 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116318238A (zh) * | 2023-03-27 | 2023-06-23 | 北京航空航天大学 | 一种针对微型无源神经接口中无线链路的频率选择分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113939002B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Halgamuge et al. | Energy efficient cluster formation in wireless sensor networks | |
CN107332598A (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
Sun et al. | Energy-efficient task offloading based on differential evolution in edge computing system with energy harvesting | |
Yuste-Delgado et al. | EUDFC-enhanced unequal distributed type-2 fuzzy clustering algorithm | |
Lv et al. | Energy-efficient resource allocation of wireless energy transfer for the internet of everything in digital twins | |
CN113939002A (zh) | 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统 | |
Yang et al. | A coupling optimization method of production scheduling and computation offloading for intelligent workshops with cloud-edge-terminal architecture | |
Chen et al. | Emerging trends of ml-based intelligent services for industrial internet of things (iiot) | |
CN113660676A (zh) | 基站流量预测方法、系统、存储介质及设备 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
Hao et al. | A new bio-inspired for cooperative data transmission of IoT | |
CN111542016A (zh) | 一种基于滑翔机的水下传感网络数据收集方法 | |
CN114757449B (zh) | 一种山水林田湖草综合地质碳汇监测系统 | |
Wu et al. | Deep convolutional neural network assisted reinforcement learning based mobile network power saving | |
CN111526520A (zh) | 一种rfid与wsn集成网络多目标规划方法 | |
CN114126019B (zh) | 一种基于能效优化的前传光网络动态资源映射方法及系统 | |
Zhu et al. | RBF Neural Network‐Based Frequency Band Prediction for Future Frequency Hopping Communications | |
CN113660674B (zh) | 一种智能实现网络构建和网络优化的方法 | |
CN114828045A (zh) | 网络优化方法、装置、电子设备及计算机可读存储介质 | |
CN113411765B (zh) | 一种基于多传感器协同感知的移动智能终端能耗优化方法 | |
Li et al. | Review of Research on Improved PID Control in Electro-hydraulic Servo System | |
Shen et al. | Tuning of Two-degree-of-freedom IMC based on a Strange Nonchaotic Optimization Approach for Large Time-delay Processes | |
Tianle et al. | Multi-Uav Wrsn Charging Path Planning Based on Improved Heed and Ia-Drl | |
Rathee et al. | Developed distributed energy-efficient clustering (DDEEC) algorithm based on fuzzy logic approach for optimizing energy management in heterogeneous WSNs | |
Jin-Yue et al. | Research on the non-linear function fitting of RBF neural network |
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 |