CN114866593A - 一种端边协同的工业网络控制架构及资源联合分配方法 - Google Patents
一种端边协同的工业网络控制架构及资源联合分配方法 Download PDFInfo
- Publication number
- CN114866593A CN114866593A CN202210523683.3A CN202210523683A CN114866593A CN 114866593 A CN114866593 A CN 114866593A CN 202210523683 A CN202210523683 A CN 202210523683A CN 114866593 A CN114866593 A CN 114866593A
- Authority
- CN
- China
- Prior art keywords
- task
- edge
- transmission
- production
- estimation
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种端边协同的工业网络控制架构及资源联合分配方法。针对工业现场设备地理分散、任务时间敏感且计算密集特点,采用边缘设备对多个子系统上传的测量值进行计算与估计,并下达指令实现实时控制,同时满足网络和控制需求、限制和容忍度,且具有灵活性与可扩展性。考虑到实际生产中存在的多元感知型任务,给出采样、传输、计算过程综合影响下的任务时效性定义,并基于其与估计性能的关联关系,进行资源联合调度方案设计,在保证系统控制性能的前提下,平衡子系统对频带资源和计算资源的占用情况,缓解频带拥塞和计算超负荷;并且在系统可靠性约束下尽可能以最小代价来采样、传输和计算,降低系统能耗。
Description
技术领域
本发明属于网络资源调度技术领域,涉及一种端边协同的工业网络控制系统架构以及基于任务时效性的感知-传输-计算资源联合分配方法。
背景技术
工业物联网作为信息通信技术的新范式,在自动驾驶、智能电网、工业生产到农业、医疗保健、智能家居等场景都有着广泛应用。在工业自动化应用领域,工业物联网系统一般由网络系统和物理系统通过有线或无线网络组成,形成闭环体系结构。物理系统代表执行工业生产和过程任务的制造和自动化组件。网络系统由通信、计算、控制和其他组件组成,以帮助监控、估计和控制工业物联网系统。由于工业物联网系统是集成通信和控制的高度耦合系统,因此单独设计工业物联网系统是不可行的,这驱使我们研究通信和控制协同设计策略以提高系统性能。现有网络控制系统设计主要有两种:一是从通信角度忽略接收端动态需求和数据特征,最大化网络吞吐量或最小化端到端延迟,二是从控制角度理想化通信网络状态(忽略时延,假设频带、计算资源足够),最大化控制质量,但在工业网络控制系统中通信和控制相互耦合、难以分离设计,因此需要研究综合考虑控制(Quality ofControl,QoC)和通信(Quality of Service,QoS)性能的设计方法。。
随着工业物联网的蓬勃发展,工业物联网设备(如传感器)的资源约束与大规模机器通信需求之间的冲突加剧。边缘计算(Edge Computing,EC)被认为是缓解这一问题的一种有前景的技术,其通过将采集到的数据在网络的边缘进行处理,减少了这些设备的响应时间,进而减轻了频谱资源的负担。飞机总装过程是边缘辅助工业物联网系统的典型场景包含6个工位,需要完成系统安装、分系统调试与检查、机械系统功能试验、剩余系统功能测试等多项任务。以多飞控活动面测试为例,飞机活动面由大规模部署的传感器监测,通过无线通道将测量值传输到边缘设备进行处理估算。边缘估计结果被传送到控制单元,以便及时做出控制决策。但是,如果边缘设备接收到的信息是陈旧的,就会导致较高的估计误差,影响控制决策。在这方面,仅仅最小化延迟是不够的,因为信息陈旧与否不仅依赖于较大的传输和计算延迟,还依赖于源端的采样率更新。
信息新鲜度(Age of Information,AoI)是一种很有前途的度量,用于评估这些时间敏感型任务(例如,多飞控活动面动态测试、人机协作线束安装、多工序协同等)数据包的状态新鲜度。现有信息新鲜度(AoI)研究通常关注单信息源任务的平均AoI优化(例如,延迟、速率和队列长度),但在实际工业生产中,单个传感器感知能力有限,很多任务往往需要多个甚至多类传感器进行联合感知,传统AoI定义不能直接应用于多元感知型任务。因此,有必要给出这类任务信息新鲜度的定义——任务新鲜度(AoT)。此外他们大多关注传单个因素(例如采样频率、传输服务时间或计算服务时间)对AoI的影响,但在网络控制系统中,这三个因素往往相互影响、共同作用于AoI性能,分离设计会降低资源利用率,造成资源浪费。同时,这些工作都集中在通信领域,很少有工作共同考虑控制系统性能,我们通常认为较好的AoI性能也会导致较好控制性能,因此研究控制性能和AoI的解析关系是十分必要的。
经对现有文献检索发现,最相近似的实现方案为中国专利申请号为:202011285571.6,名称为一种工业边缘网络系统架构和资源调度方法,其具体做法为:建立工业虚拟分片网络和虚拟子网,将AoI超限概率约束转换为队列溢出概率约束,建立系统功耗最小化的理论模型,对带宽资源、功率资源和计算资源进行联合分配,实现工业过程关键参数的全时空监测和协同控制。此方法仅从AoI的影响因素时延方面进行了设计,忽略了采样过程对信息时效性的影响,且并未明确给出AoI和控制性能之间的解析关系,只考虑了可靠性约束下的通信资源分配,不利于系统整体性能的研究。
因此,本领域的技术人员致力于开发一种端边协同的工业网络控制系统架构和基于任务时效性的感知-传输-计算资源联合分配方法,通过揭示任务时效性和估计性能之间的解析关系,在最优控制策略独立设计准则下,提出采样-传输-调度联合设计方案,在保证不同子系统控制性能需求的前提下最小化系统代价(控制代价和网络代价),平衡子系统对网络资源的占用情况,提高资源利用率。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题包括:
1、如何根据工业现场实际生产需求,采用合适的控制模式,设计同时考虑QoC(Quality of Control)和QoS(Quality of Service)的新架构,满足网络和控制需求、限制和容忍度,且具有灵活性与可扩展性。
2、如何基于新的网络架构给出多元感知任务的信息时效性定义,结合任务时间敏感和计算密集特性,考虑采样过程、传输过程和计算过程的共同作用,给出详细的数学表达式。
3、如何揭示根据系统估计性能和信息时效性之间的关系,给出融入信息时效性的估计误差动态方程,同时研究最优控制策略独立设计准则,为跨层协同设计提供分解机会。
4、是如何针对多维资源相互耦合现状,设计采样-传输-计算资源联合分配方案,在保证系统控制性能的情况下,最小化系统代价(控制代价和网络代价),提高系统稳定性、优化系统用能。
为实现上述目的,本发明提供了一种端边协同的工业网络控制系统架构,其特征在于:包括现场设备层、边缘计算层和工业云平台;所述现场设备层与所述边缘计算层、所述工业云平台之间通过有线无线结合方式通信;
所述现场设备层按照工艺生产流程分为若干个生产环节,每个生产环节包括一个生产执行设备和多个不同类型且具备5G通信模块的传感设备;
所述边缘计算层包括若干个边缘设备,并与生产环节一一对应,所述边缘设备对可用频带、计算资源进行编排,下达流量调度信息;
所述工业云平台包括一个集中控制器,用于存储和分析边缘计算层上传的局部状态估计结果,进行全生产流程的全局估计和协调优化,并下达控制指令给现场设备层。
进一步地,前述现场设备层中的生产环节用于采集实时检测的多个任务的工业生产状态和执行边缘设备或者工业云平台的控制指令。
进一步地,前述边缘计算层在接收到相应生产环节的现场控制类感知数据后,进行数据清洗、处理和有效信息提取,根据局部估计结果下达实时控制指令。
一种基于任务时效性的感知-传输-计算资源联合分配方法,包括以下步骤:
步骤1、将现场设备层需要监测的各个生产环节定义为Li,所有生产环节构成生产流程集合L,每个生产环节对应的边缘设备定义为Ei,每个生产环节和边缘设备合称为子系统,配置每个子系统可使用频带资源、计算资源,初始化采样变量、传输资源分配变量和计算资源分配变量;
步骤2、工业云平台对个性化定制需求进行分解,调节各个生产环节的估计误差阈值li,下达到现场设备层的生产执行设备;
步骤3、在每个生产周期开始时,生产环节中各生产任务进行本地估计,当估计误差方差超过阈值li且传输信道为空时进行采样,并发出传输请求;否则不进行采样;
步骤4、当传输请求集合为空时,转至步骤7;否则各边缘设备根据任务时效性对现场设备层的传输请求划分优先级,选择任务优先级最高并将其标记为调度任务,进行频带资源和计算资源的细粒度划分,并下达流量调度信息;
步骤5、调度任务包含的传感器根据边缘计算层的流量调度信息,完成配置,上传控制类感知数据;边缘设备中计算单元对原始数据进行清洗处理,提取有效信息,完成任务状态更新;
步骤6、边缘设备中的估计单元根据状态更新数据进行局部估计,控制单元做出控制决策,下达到相应的生产执行设备,完成实时闭环控制;同时将局部估计结果上传至工业云平台进行存储与分析,返回执行步骤3,直至生产周期结束;
步骤7、当边缘设备的估计单元没有收到状态更新数据时,根据历史估计值进行迭代估计,做出控制决策,下达到现场设备层的生产执行设备,返回执行步骤3,直至生产周期结束;
步骤8、当工业云平台的个性化定制需求发生变化时,结合历史分析数据和全局估计结果,更新各生产环节的估计误差阈值li,下达控制命令,返回执行步骤3到步骤7,完成云边协同的闭环控制。
进一步地,所述步骤1中可使用的频带资源和计算资源被划分为资源块,每个资源块为一个最小不可再分单元,频带资源块的频带宽度为奈奎斯特带宽,时间长度为时隙;计算资源块的计算宽度为物理CPU线程,时间长度为时隙。
进一步地,所述步骤3包括以下步骤:
步骤3.1:传感设备进行本地估计,当前一时隙边缘设备接收到状态更新值,则本地估计误差为当前一时隙边缘设备没有收到状态更新值时估计误差为其中zn为状态更新的二进制变量,△m,n为任务m在时隙n的任务时效性,Am为系统矩阵,ωm,n为过程动力学的外生干扰;
进一步地,所述步骤6中边缘设备接收到更新的状态信息,但由于传输延迟和计算延迟,状态信息的时间戳为n-△m,n,所以局部估计误差为显然其大小与△m,n有着正相关关系,为了保证估计性能应尽量提高任务新鲜度,即使得AoT维持在较低值。
进一步地,所述步骤4包括以下步骤:
步骤4.1:判断传输请求集合是否为空,若不为空,执行步骤4.2;否则,转至步骤7;
步骤4.2:计算当前时刻生产环节中各任务的任务时效性(AoT),根据AoT大小进行从高到低排序,并赋予任务优先级,将排序第一的任务标记为调度任务;
步骤4.3:选定调度任务后,边缘设备在保证系统收敛性的前提下,采用最大AoT增益下降法给每个传感器划分频带RBs和计算RBs;
步骤4.4:将流量调度信息返回至现场设备层中相应传感器。
进一步地,所述任务时效性(AoT)为在所述端边协同的工业网络控制系统架构中多元信息密集型任务的任务信息新鲜度(AoI),当任务的状态信息经过采样、传输和计算,估计器接收到对应任务的所有传感器的状态信息时,即认为任务更新完成,计算方式如下,
进一步地,所述步骤4.3包括以下步骤:
步骤4.3.2:分配计算RBs,遍历每个数据包,直至所有数据包满足计算部分系统收敛性条件,对于剩余可用计算RBs,计算每个数据包的计算AoT增益,选择增益最大的进行分配,直至计算RBs为0;
步骤4.3.3:分配频带RBs,遍历每个数据包,直至所有数据包满足传输部分系统收敛性条件,对于剩余可用频带RBs,计算每个数据包的传输AoT增益,选择最大的进行分配,直至频带RBs为0;
步骤4.3.4:返回频带RBs和计算RBs分配情况,完成传输-计算资源联合分配设计。
与现有技术方案相比,本发明的技术效果在于:
1、针对工业网络控制系统中设备地理分散、任务时间敏感且计算密集特点,设计基于端边协同的工业网络控制系统架构,同时发挥全局控制信息完整、协调便捷和边缘控制负载均衡、实时控制优势,满足网络和控制需求、限制和容忍度,且具有灵活性与可扩展性。
2、考虑到实际生产中存在的多元感知型任务,给出采样过程、传输过程和计算过程共同作用的任务时效性AoT的定义,为多传感器测量任务的信息时效性刻画提供了度量手段。
3、为同时考虑控制质量QoC(Quality of Control)和服务质量QoS(Quality ofService)提供了有效途径;同时通过最优控制策略独立设计准则,刻画控制输入与采样、传输、计算资源分配策略的联系,极大简化了问题设计难度。
4、考虑到多维网络资源相互耦合现状,设计采样-传输-计算资源联合分配方案,在保证系统控制性能的前提下,平衡子系统对频带资源和计算资源的占用情况,缓解频带拥塞和计算超负荷;并且在系统可靠性约束下尽可能以最小代价来采样、传输和计算,降低系统能耗;同时该方法的计算复杂度较低,可以在实际工业生产中发挥有效作用。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1基于端边协同的工业网络控制系统架构示意图;
图2工业边缘控制系统模型示意图;
图3基于任务时效性的感传算控联合设计全局算法流程图;
图4事件触发的采样算法流程图;
图5最大AoT增益下降优先的传输-计算资源联合分配算法流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
图1是基于端边协同的工业网络控制系统架构示意图。系统架构包括现场设备层、边缘计算层、工业云平台。其中现场设备层按照工艺生产流程分为多个生产环节(以飞机总装为例,可以分为六个工位),每个工位包括一个总装执行设备和多个不同类型的传感设备(例如迎角传感器、陀螺仪、摄像头等,均具备5G通信模块),用于采集实时检测的多个任务的工作状态和执行边缘或者云平台的控制指令;边缘计算层包括多个边缘设备,并与生产环节一一对应,通过工业5G专网接收控制类感知数据(例如转动数据、角度偏差等),进行有效信息提取和局部估计,并通过工业以太网下达实时控制指令;工业云平台包括一个集中控制器,根据个性化定制需求和边缘计算层上传的局部状态估计结果,进行全生产流程的全局估计和协调优化。
图2是工业边缘控制系统模型示意图。系统模型包括一个边缘设备和多个传感器子网。同一子网内的传感器按照一定的采样策略对物理过程状态进行采样,并与边缘设备同步交换传感信息。在接收到相应子网的所有传感器数据包后,边缘设备中的计算单元进行相应的计算以更新状态信息,然后估计单元进行局部状态估计。此外,反馈控制单元根据状态估计值做出决策,并将其发送给物理过程,形成闭环。对于边缘设备,相应子系统传感器的数据量远远大于数据估计,因此该系统模型可以减少传输负担和资源竞争。同时,边缘设备丰富的计算资源可以降低工业现场的计算压力,缩短处理时间。因此,边缘辅助的工业物联网系统有利于提高系统信息的时效性,特别是对于网络资源(传输、计算、功率)有限的网络系统。
所述系统模型同时考虑了控制系统和网络系统的影响。具体地说,采样、估计和控制单元位于控制系统层,采用分布式设计,即位于在每个控制回路中,并为其对应的子控制系统生成决策变量。传输和计算单元位于网络层,以集中式的方式对通道访问进行仲裁,即由唯一的配置算法协调控制循环之间有限资源的分配过程,以避免争用和数据丢失。
所述系统模型考虑的是一种现实的网络模型,未被调度传输的数据包将被存储在缓冲区,等待下一次调度传输。但由于资源的限制,如果有新的数据包生成,则原来的数据包将被覆盖
图3是基于任务时效性的感传算控联合设计全局算法流程图。具体步骤如下:
步骤A、将现场设备层需要监测的各个生产环节定义为Li,所有生产环节构成生产流程集合L,每个生产环节对应的边缘设备定义为Ei,每个生产环节和边缘设备合称为子系统,配置每个子系统可使用频带资源Mf、计算资源Mc,初始化采样变量αm,n、传输资源分配变量βs,m,n和计算资源分配变量γs,m,n;
步骤B、工业云平台对个性化定制需求进行分解,调节各个生产环节的估计误差阈值li,设置生产周期N,下达到现场设备层的生产执行设备;
步骤C、生产环节中各生产任务进行本地估计,判断是否采样,若采样则转至步骤D,否则转至步骤F;
步骤D、各边缘设备根据任务时效性选择调度任务,进行频带资源和计算资源的细粒度划分,并下达流量调度信息;
步骤E、调度任务包含的传感设备根据边缘计算层的流量调度信息,完成配置,上传控制类感知数据;边缘设备中计算单元对原始数据进行清洗处理,提取有效信息,完成任务状态更新;
步骤F、边缘设备中的估计单元判断是否收到状态更新数据,若收到则转至步骤G,否则转至步骤H;
步骤I、边缘设备中的反馈控制单元根据局部估计值,采用最优控制律做出控制决策,下达指令至生产执行设备;
步骤J、工业云平台中集中控制器判断个性化定制需求是否发生变化,若发生变化则重复执行步骤B到步骤I,否则转至下一步;
步骤K、现场设备层中的传感设备判断当前时隙是否大于生产周期N,若小于等于N则重复执行步骤C到步骤J,否则结束,完成云边协同的闭环控制。
图4是事件触发的采样算法流程图。具体步骤如下:
步骤a、现场设备层中的传感设备判断边缘设备的估计单元在前一时隙是否收到状态更新值,若收到则转至下一步,否则转至步骤c;
步骤e、现场设备层中的传感设备进行采样αm,n=1,并发出传输请求,跳出采样判决;
步骤f、现场设备层中的传感设备不进行采样αm,n=0,进入休眠状态,跳出采样判决;
图5是最大AoT增益下降优先的传输-计算资源联合分配算法流程图。具体步骤如下:
第1步、边缘设备判断传输请求集合是否为,若为空则跳出资源配置,否则转至下一步;
第2步、边缘设备计算各任务的AoT,根据AoT大小进行从高到低排序,并赋予任务优先级,将排序第一的任务标记为调度任务;
第3步、边缘设备在保证系统收敛性的前提下,采用最大AoT增益下降法进行传输-计算资源联合分配设计;
第4步、更新各传感器的传输资源分配变量和计算资源分配变量;
第5步、下达流量调度信息至相应传感器,跳出资源配置;
所述第三步最大AoT增益下降法进行传输-计算资源联合分配设计的具体步骤如下:
第3.3步,更新可用计算RBs,计算每个数据包的计算AoT增益,由高到低降序排列,排序第一的数据包计算RBs加1,直至计算RBs为0;
第3.5步,更新可用传输RBs,计算每个数据包传输AoT增益,由高到低降序排列,排序第一的数据包传输RBs加1,直至传输RBs为0;
第3.6步,返回频带RBs和计算RBs的分配情况。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种端边协同的工业网络控制系统架构,其特征在于:包括现场设备层、边缘计算层和工业云平台;所述现场设备层与所述边缘计算层、所述工业云平台之间通过有线无线结合方式通信;
所述现场设备层按照工艺生产流程分为若干个生产环节,每个生产环节包括一个生产执行设备和多个不同类型且具备5G通信模块的传感设备;
所述边缘计算层包括若干个边缘设备,并与生产环节一一对应,所述边缘设备对可用频带、计算资源进行编排,下达流量调度信息;
所述工业云平台包括一个集中控制器,用于存储和分析边缘计算层上传的局部状态估计结果,进行全生产流程的全局估计和协调优化,并下达控制指令给现场设备层。
2.根据权利要求1所述的工业网络控制系统架构,其特征在于,所述现场设备层中的生产环节用于采集实时检测的多个任务的工业生产状态和执行边缘设备或者工业云平台的控制指令。
3.根据权利要求1所述的工业网络控制系统架构,其特征在于,所述边缘计算层在接收到相应生产环节的现场控制类感知数据后,进行数据清洗、处理和有效信息提取,根据局部估计结果下达实时控制指令。
4.一种基于任务时效性的感知-传输-计算资源联合分配方法,其特征在于:包括以下步骤:
步骤1、将现场设备层需要监测的各个生产环节定义为Li,所有生产环节构成生产流程集合L,每个生产环节对应的边缘设备定义为Ei,每个生产环节和边缘设备合称为子系统,配置每个子系统可使用频带资源、计算资源,初始化采样变量、传输资源分配变量和计算资源分配变量;
步骤2、工业云平台对个性化定制需求进行分解,调节各个生产环节的估计误差阈值li,下达到现场设备层的生产执行设备;
步骤3、在每个生产周期开始时,生产环节中各生产任务进行本地估计,当估计误差方差超过阈值li且传输信道为空时进行采样,并发出传输请求;否则不进行采样;
步骤4、当传输请求集合为空时,转至步骤7;否则各边缘设备根据任务时效性对现场设备层的传输请求划分优先级,选择任务优先级最高并将其标记为调度任务,进行频带资源和计算资源的细粒度划分,并下达流量调度信息;
步骤5、调度任务包含的传感器根据边缘计算层的流量调度信息,完成配置,上传控制类感知数据;边缘设备中计算单元对原始数据进行清洗处理,提取有效信息,完成任务状态更新;
步骤6、边缘设备中的估计单元根据状态更新数据进行局部估计,控制单元做出控制决策,下达到相应的生产执行设备,完成实时闭环控制;同时将局部估计结果上传至工业云平台进行存储与分析,返回执行步骤3,直至生产周期结束;
步骤7、当边缘设备的估计单元没有收到状态更新数据时,根据历史估计值进行迭代估计,做出控制决策,下达到现场设备层的生产执行设备,返回执行步骤3,直至生产周期结束;
步骤8、当工业云平台的个性化定制需求发生变化时,结合历史分析数据和全局估计结果,更新各生产环节的估计误差阈值li,下达控制命令,返回执行步骤3到步骤7,完成云边协同的闭环控制。
5.根据权利要求4所述的基于任务时效性的感知-传输-计算资源联合分配方法,其特征在于,所述步骤1中可使用的频带资源和计算资源被划分为资源块,每个资源块为一个最小不可再分单元,频带资源块的频带宽度为奈奎斯特带宽,时间长度为时隙;计算资源块的计算宽度为物理CPU线程,时间长度为时隙。
7.根据权利要求4所述的基于任务时效性的感知-传输-计算资源联合分配方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:判断传输请求集合是否为空,若不为空,执行步骤4.2;否则,转至步骤7;
步骤4.2:计算当前时刻生产环节中各任务的任务时效性(AoT),根据AoT大小进行从高到低排序,并赋予任务优先级,将排序第一的任务标记为调度任务;
步骤4.3:选定调度任务后,边缘设备在保证系统收敛性的前提下,采用最大AoT增益下降法给每个传感器划分频带RBs和计算RBs;
步骤4.4:将流量调度信息返回至现场设备层中相应传感器。
10.如权利要求7所述的基于任务时效性的感知-传输-计算资源联合分配方法,其特征在于,所述步骤4.3包括以下步骤:
步骤4.3.2:分配计算RBs,遍历每个数据包,直至所有数据包满足计算部分系统收敛性条件,对于剩余可用计算RBs,计算每个数据包的计算AoT增益,选择增益最大的进行分配,直至计算RBs为0;
步骤4.3.3:分配频带RBs,遍历每个数据包,直至所有数据包满足传输部分系统收敛性条件,对于剩余可用频带RBs,计算每个数据包的传输AoT增益,选择最大的进行分配,直至频带RBs为0;
步骤4.3.4:返回频带RBs和计算RBs分配情况,完成传输-计算资源联合分配设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523683.3A CN114866593B (zh) | 2022-05-13 | 2022-05-13 | 一种端边协同的工业网络控制架构及资源联合分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523683.3A CN114866593B (zh) | 2022-05-13 | 2022-05-13 | 一种端边协同的工业网络控制架构及资源联合分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114866593A true CN114866593A (zh) | 2022-08-05 |
CN114866593B CN114866593B (zh) | 2023-03-28 |
Family
ID=82636725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210523683.3A Active CN114866593B (zh) | 2022-05-13 | 2022-05-13 | 一种端边协同的工业网络控制架构及资源联合分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114866593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431349A (zh) * | 2023-04-13 | 2023-07-14 | 山东华科信息技术有限公司 | 分布式配电网云边端数据协同方法及其系统 |
CN116887413A (zh) * | 2023-09-06 | 2023-10-13 | 清华大学 | 一种面向时延敏感控制任务的通信资源分配方法及系统 |
CN117118913A (zh) * | 2023-10-20 | 2023-11-24 | 山东沪金精工科技股份有限公司 | 一种基于工业物联网的加工设备数据采集系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153153A (zh) * | 2020-09-28 | 2020-12-29 | 北京大学深圳研究生院 | 一种协调分布式的网内资源调度方法及系统、存储介质 |
CN112235836A (zh) * | 2020-11-17 | 2021-01-15 | 上海交通大学 | 一种工业边缘网络系统架构和资源调度方法 |
CN112346854A (zh) * | 2020-09-28 | 2021-02-09 | 北京大学深圳研究生院 | 一种分层协同决策的网内资源调度方法及系统、存储介质 |
WO2021139537A1 (zh) * | 2020-01-08 | 2021-07-15 | 上海交通大学 | 一种工业物联网中基于功率控制和资源分配的任务卸载方法 |
CN113411223A (zh) * | 2021-08-03 | 2021-09-17 | 上海交通大学 | 一种基于边缘协同的工业软件定义网络切片方法 |
WO2022067531A1 (zh) * | 2020-09-29 | 2022-04-07 | 深圳大学 | 一种计算资源感知的任务调度方法 |
-
2022
- 2022-05-13 CN CN202210523683.3A patent/CN114866593B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021139537A1 (zh) * | 2020-01-08 | 2021-07-15 | 上海交通大学 | 一种工业物联网中基于功率控制和资源分配的任务卸载方法 |
CN112153153A (zh) * | 2020-09-28 | 2020-12-29 | 北京大学深圳研究生院 | 一种协调分布式的网内资源调度方法及系统、存储介质 |
CN112346854A (zh) * | 2020-09-28 | 2021-02-09 | 北京大学深圳研究生院 | 一种分层协同决策的网内资源调度方法及系统、存储介质 |
WO2022067531A1 (zh) * | 2020-09-29 | 2022-04-07 | 深圳大学 | 一种计算资源感知的任务调度方法 |
CN112235836A (zh) * | 2020-11-17 | 2021-01-15 | 上海交通大学 | 一种工业边缘网络系统架构和资源调度方法 |
CN113411223A (zh) * | 2021-08-03 | 2021-09-17 | 上海交通大学 | 一种基于边缘协同的工业软件定义网络切片方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431349A (zh) * | 2023-04-13 | 2023-07-14 | 山东华科信息技术有限公司 | 分布式配电网云边端数据协同方法及其系统 |
CN116431349B (zh) * | 2023-04-13 | 2023-11-03 | 山东华科信息技术有限公司 | 分布式配电网云边端数据协同方法及其系统 |
CN116887413A (zh) * | 2023-09-06 | 2023-10-13 | 清华大学 | 一种面向时延敏感控制任务的通信资源分配方法及系统 |
CN116887413B (zh) * | 2023-09-06 | 2024-01-19 | 清华大学 | 一种面向时延敏感控制任务的通信资源分配方法及系统 |
CN117118913A (zh) * | 2023-10-20 | 2023-11-24 | 山东沪金精工科技股份有限公司 | 一种基于工业物联网的加工设备数据采集系统 |
CN117118913B (zh) * | 2023-10-20 | 2024-01-05 | 山东沪金精工科技股份有限公司 | 一种基于工业物联网的加工设备数据采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114866593B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114866593B (zh) | 一种端边协同的工业网络控制架构及资源联合分配方法 | |
Mao et al. | Energy efficiency and delay tradeoff for wireless powered mobile-edge computing systems with multi-access schemes | |
CN112004239B (zh) | 一种基于云边协同的计算卸载方法及系统 | |
CN112235836B (zh) | 一种工业边缘网络系统架构和资源调度方法 | |
Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
CN114138373B (zh) | 一种基于强化学习的边缘计算任务卸载方法 | |
CN113452956B (zh) | 一种输电线路巡检任务智能分配方法及系统 | |
CN113238847B (zh) | 基于分散式网络环境下可分任务的分发和调度方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN113727306B (zh) | 一种基于深度强化学习的解耦c-v2x网络切片方法 | |
Huang | Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing | |
CN109375999A (zh) | 一种基于贝叶斯网络的mec随机任务迁移方法 | |
Ndikumana et al. | Age of processing-based data offloading for autonomous vehicles in multirats open ran | |
Perin et al. | EASE: Energy-aware job scheduling for vehicular edge networks with renewable energy resources | |
CN114172558A (zh) | 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法 | |
CN113242304A (zh) | 边缘侧多能源数据采集调度控制方法、装置、设备和介质 | |
CN116684472A (zh) | 一种面向端侧算力网络的服务部署系统及其服务部署方法 | |
CN115118747B (zh) | 一种感传算一体化的工业异构网络融合架构及组网方法 | |
CN115665859A (zh) | 一种多智能体任务卸载和资源调度联合优化方法 | |
Huang et al. | Learning-aided stochastic network optimization with state prediction | |
Dechouniotis et al. | Edge robotics experimentation over next generation IIoT testbeds | |
CN111784029A (zh) | 一种雾节点资源分配方法 | |
Shen et al. | Resource management in MEC based muti-robot cooperation systems | |
CN114827142B (zh) | 一种确保容器化边缘服务请求实时性的调度方法 | |
Gao et al. | Fast Adaptive Task Offloading and Resource Allocation in Large-Scale MEC Systems via Multi-Agent Graph Reinforcement Learning |
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 |