CN117939483B - 一种基于工业物联网的传输与控制协同设计方法 - Google Patents
一种基于工业物联网的传输与控制协同设计方法 Download PDFInfo
- Publication number
- CN117939483B CN117939483B CN202410329851.4A CN202410329851A CN117939483B CN 117939483 B CN117939483 B CN 117939483B CN 202410329851 A CN202410329851 A CN 202410329851A CN 117939483 B CN117939483 B CN 117939483B
- Authority
- CN
- China
- Prior art keywords
- sensor
- transmission
- control
- uplink
- downlink
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013461 design Methods 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000008407 joint function Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 6
- 238000012733 comparative method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于工业物联网的传输与控制协同设计方法，属于无线通信技术领域，包括：基于传感器‑控制器‑执行器全回路通信模型，并分析传感器‑控制器上行链路以及控制器‑执行器下行链路的传输时延;构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响；构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制。本发明能够根据闭环控制对感知与控制信息传输可靠性的动态需求，自适应调整上行链路与下行链路的时间分配。
Description
技术领域
本发明涉及无线通信技术领域，具体而言，尤其涉及一种基于工业物联网的传输与控制协同设计方法。
背景技术
在工业物联网系统中，传感器被广泛部署来收集感知数据，然后使用通过无线信道传递的感知数据进行状态估计，以推测工业过程的运行状态。通常，工业网络系统由空间分布的传感器、控制器以及与传感器配对的执行器组成。一般来说，更多的感知数据能够提供更准确的状态估计。然而，由于网络通信资源有限，当网络拥塞时，感知数据可能会丢失，从而降低估计的准确性并浪费通信资源。此外，在恶劣的工业环境中，严重衰落和复杂干扰可能导致传输时延增加甚至传输失败，而数据包的丢失会导致控制器或执行器无法准确接收到其需要的信息，从而影响该闭合回路的性能。
由此可见，在工业网络系统中，传输的精度会直接影响系统的稳定性，因此现有很多研究致力于设计适当的传输机制去抑制传输的不完美性，如提出一个分层框架来优化工业无线传感器和执行器网络的实时性、可靠性和可扩展性；提出一种有效的基于多跳计算网络的工业物联网协同任务卸载框架，以最小化时延和能耗的加权和等。在工业无线网络领域，设计精巧的状态估计算法能够缓解无线传输对估计性能的影响，如针对网络系统中的随机丢包情况，通过设计矩阵融合估计算法能够有效降低估计误差。
但是，传输机制或者状态估计算法的设计只能被动地减轻不利传输环境对估计性能的影响，一旦丢包率超过一定水平，便无法保证估计的收敛性以及控制的稳定性。因此，找到有效的传输方法来主动提高网络的传输可靠性对于确保状态估计的性能至关重要。在通信领域出现越来越多的新型技术，通过时频域的资源管控，对通信资源联合分配，提升传输可靠性并降低时延。
综上所述，现有技术存在的问题是：由于工业无线传输环境的复杂性，仅通过设计传输机制或者状态估计算法过程中通常并不考虑无线传输环境的复杂多变，所以提升估计性能并不总是有效的；只有少数方案在控制方法设计和系统性能评估时考虑到通信资源的消耗，并没有设计具体的通信传输方式，即没有对通信资源的分配进行研究，因此通信资源分配和状态估计的联合设计是否能够提升工业网络系统的整体性能还有待验证。
发明内容
根据上述提出的技术问题，提供一种基于工业物联网的传输与控制协同设计方法，包括如下步骤：
S1、基于传感器-控制器-执行器全回路通信模型，并分析传感器-控制器上行链路以及控制器-执行器下行链路的传输时延；
基于传感器-控制器-执行器全回路通信模型，分析传感器-控制器上行链路的传输时延的具体过程为：
S11、在上行链路中，假设工业网络系统中的传感器是单载波通信设备，即只有一个射频模块，并且传感器和子载波是一一对应的，采用二进制变量表示子载波分配指标；
其中，若，则表示第s个子载波在第k个时间步长分配给第n个传感器；
S12、在没有同信道干扰的情况下，传感器n在子载波s上传输时，实现的上传速率表示为：
其中，是每个子载波的带宽，B是整个信道的传输带宽，S是子载波的个数，/>是传感器n的发射功率，/>是第n个传感器在第s个子载波上传输时的信道增益，/>是噪声功率；
S13、传感器n到控制器的上行链路传输延迟表示为：
其中，是子载波集合，/>是第n个传感器的数据包大小；
S2、构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响；
S3、构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制。
进一步地，所述分析控制器-执行器下行链路的传输时延的具体过程为：
S14、在下行链路中，采用广播的形式，将N个短数据包合并在一起推送到各个执行器，N是执行器的个数；
因此，从控制器到执行器n的下行链路传输速率表示为：
其中，是第n个传感器的信道增益，q是无线接入点的发射功率，/>是噪声功率；
S15、从控制器到执行器的下行链路传输时延表示为：
其中，是下行广播的数据包大小。
进一步地，所述构建基于有间歇观测和间断控制的闭环控制模型如下：
其中：整个控制系统由N个子系统构成，每个子系统由一对传感器和执行器组成，每个子系统看作是一个闭环控制回路；
第n个子系统描述为一个离散时间线性时不变模型；
其中，是第k+1时刻的系统状态，/>是第k时刻的系统状态，/>和/>分别是执行器的控制输入和控制器计算求得的期望控制输入，/>是传感器n的测量值，An是状态转移矩阵，Dn是输入矩阵，Cn是传感器n的测量矩阵，/>是系统状态初值，/>和/>是系统噪声，/>是高斯的、白的、不相关的，均值分别为/>，方差分别为/>，二进制变量/>表示控制器和执行器之间的数据包是否传输成功，若/>，则表示执行器n在第k个时间步长接收到控制指令，二进制变量/>表示传感器和控制器之间的数据包是否传输成功，若/>，则表示传感器n在第k个时间步长成功传输其收集到的数据。
进一步地，所述分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响的过程如下：
S22、定义以下信息集和变量：
其中，是信息集合，包括传感器n的测量值/>，表示上行数据是否传输成功的二进制变量/>和下行数据在k-1时刻是否传输成功的二进制变量/>，、/>、/>分别是第k个时间步长的系统状态估计值、状态估计误差和状态估计误差协方差矩阵，/>是状态误差的转置，/>表示求期望；
S23、使用与标准卡尔曼滤波中类似的参数来导出最优估计器的方程，更新步骤由下式给出：
其中，是第k+1时刻系统状态的预测值，/>是第k+1时刻系统状态的预测误差，/>是第k+1时刻系统状态的预测误差协方差；
S24、校正步骤如下：
其中，是经过测量更新的系统状态值，/>是更新的系统状态误差，/>是更新的系统误差协方差，/>为第k+1个时间步长的卡尔曼滤波增益，I为单位矩阵；
S25、在第k个时间步长下，第n个子系统的系统状态估计误差表示为：
在第k个时间步长下，第n个子系统的控制指令传输误差表示为：
S26、在第k个时间步长，整个系统的控制成本表示为：
其中，表示求期望，在第k个时间步长，上行传输的总能耗/>表示为：
。
进一步地，所述构建工业网络系统的通信与控制总成本最小化的目标函数具体为：
S31、联合优化子载波分配、传感器和无线接入点的发射功率、上行和下行传输两个阶段时间约束的划分，最小化工业网络系统的控制成本和上行能耗的联合函数；
其中，K是控制周期个数，是权重系数，/>是传感器集合，/>是传感器最大发射功率，/>是无线接入点最大发射功率，/>是第k时刻无线接入点的发射功率，是表示时延约束划分点的系数，C1和C2表示传感器和子载波是一一匹配的关系；C3和C4分别为传感器和无线接入点的发射功率约束；C5和C6为变量的可行范围。
进一步地，所述提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制具体过程如下；
S32、将P0分解为多个瞬时子问题；
S33、在第k个时间步长上，由于上行和下行传输存在时间上的顺序关系；因此，将问题P0分解为两个子问题去求解，分别为上行传输子问题和下行传输子问题，上行传输子问题表示为：
S34、为了有效求解问题SP1，先对目标函数进行推导简化，如下所示：
其中，是上行数据包传输成功的概率，/>和分别表示为：
上行传输成本进一步简化为：
S35、根据Dinkelbach算法，将问题SP1分为内外两层求解：外层由迭代更新的子载波分配和传感器发射功率更新系数，内层通过下面的求解步骤获得最佳的子载波分配和传感器发射功率，子问题SP1改写为：
S36、根据Dinkelbach算法，通过迭代的方法更新参数的值，使得问题SP1的目标函数值最小，进而求得上行传输子问题的最优解；
S37、下行传输采用广播的形式，优化问题简化为：
分析可知，当无线接入点以最大功率进行广播时，下行传输的控制成本最小；
S38、在区间0到1内，搜索更新的值，使得原问题P0的目标函数值最小。
进一步地，提出了交替优化子载波分配和传感器发射功率的方法对问题SP1.1进行求解，具体过程如下：
S351、数据包传输成功的概率可以转化为上行链路可实现的传输速率不小于系统要求速率的概率，在给定传感器发射功率的前提下，优化子载波分配的问题简化为：
其中，，/>是每个子载波的带宽，/>为对时间K取均值，/>是上行传输的延迟约束，问题SP1.2是一个双边匹配、一一匹配的0-1线性规划问题，通过KM算法以获得该问题的最优解；
S352、在给定子载波分配的前提下，传感器的发射功率控制优化问题可以简化为：
其中，M为惩罚项系数，是一个较大的正整数，对问题SP1.3进行分析可知，由于N个传感器之间的数据包传输互不干扰，因此将该问题分解为N个子问题，分别为对每个传感器的发射功率进行单独优化，分析可知每个子问题中的目标函数在正半轴是关于功率先减小后增大的单峰函数，因此可以采用二分法进行求解；
S353、问题SP1.2和SP1.3求解完成后，交替优化子载波分配和传感器发射功率，通过迭代的方法求得问题SP1.1的最优解。
本发明包括一种基于工业物联网的传输与控制协同设计方法：基于传感器-控制器-执行器全回路通信模型，并分析传感器-控制器上行链路以及控制器-执行器下行链路的传输时延；构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响； 构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制。较现有技术相比，本发明具有以下优点：
本发明提供的基于工业物联网的传输与控制协同设计方法，能够在复杂多变的工业网络系统中根据闭环控制对感知与控制信息传输可靠性的动态需求，自适应调整上行链路与下行链路的时间分配，并通过双向通信与闭环控制的联合优化，有效地提高工业网络系统数据传输的可靠性，提升了资源受限下的工业网络系统的整体性能，通信方面主要是通信的能耗（能量消耗），控制方面主要是控制系统的稳定性，在低能耗和高的稳定性两者之间进行权衡，降低整个系统通信和控制的总成本（两者加权和最小化）。
基于上述理由本发明可在无线通信等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法流程图；
图2为本发明实施例使用的网络场景图；
图3为本发明实施例提供的具有间歇观测和间断控制的闭环控制模型图；
图4为本发明实施例提供的传感器个数变化时，不同方法的系统总成本对比图；
图5为本发明实施例提供的传感器个数变化时，不同方法的系统总误差对比图；
图6为本发明实施例提供的传感器个数变化时，不同方法的系统总能耗对比图；
图7为本发明实施例提供的上行传输带宽变化时，不同方法的系统总成本对比图；
图8为本发明实施例提供的上行传输带宽变化时，不同方法的系统总误差对比图；
图9为本发明实施例提供的上行传输带宽变化时，不同方法的系统总能耗对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于工业物联网的传输与控制协同设计方法，包括如下步骤：
S1、基于传感器-控制器-执行器全回路通信模型，并分析传感器-控制器上行链路以及控制器-执行器下行链路的传输时延；
S2、构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响；
S3、构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制。
图2为本发明实施例使用的网络场景图。
在该工业网络系统中，N个传感器被部署来监测设备的运行状态，并将收集到的感知数据传输到控制器。然后，控制器根据接收到的感知数据执行状态估计以推测设备的运行状态，进行计算得到控制指令，并将计算得到的控制指令传输到执行器。最后，执行器根据接收到的控制指令执行对应的操作。在所考虑的场景中，上行链路采用正交频分多址传输，可以提高用户连接性以及频谱利用率；下行链路采用广播的形式传输，可以提高传输的有效净负荷占比。
进一步地，所述基于传感器-控制器-执行器全回路通信模型，并分析传感器-控制器上行链路以及控制器-执行器下行链路的传输时延具体过程为：
S11、在上行链路中，由于传感器数量较多，为了提高用户连接性以及频谱利用率，考虑使用正交频分多址进行传输，假设传感器和子载波是一一对应的，采用二进制变量表示子载波分配指标；
其中，若，则表示第s个子载波在第k个时间步长分配给第n个传感器；
S12、在没有同信道干扰的情况下，传感器n在子载波s上传输时可以实现的上传速率表示为：
其中，是每个子载波的带宽，B是整个信道的传输带宽，S是子载波的个数，/>是传感器n的发射功率，/>是第n个传感器在第s个子载波上传输时的信道增益，/>是噪声功率；
S13、传感器n到控制器的上行链路传输延迟表示为：
其中，是子载波集合，/>是第n个传感器的数据包大小；
S14、在下行链路中，由于控制指令数据包较小，如果单独传输，每个数据包都需要添加包头信息，有效净负荷占比较小，因此我们采用广播的形式，将N个短数据包合并在一起推送到各个执行器，大大提高了下行传输的有效净负荷占比，N是执行器的个数；
因此，从控制器到执行器n的下行链路传输速率可以表示为：
其中，是第n个传感器的信道增益，q是无线接入点的发射功率，N0是噪声功率谱密度，/>是噪声功率；
S15、从控制器到执行器的下行链路传输时延可以表示为：
其中，是下行广播的数据包大小。
S16、一个控制周期的时间规定为T，上行链路传输的时延约束由表示，下行链路传输的时延约束由/>表示，系数η表示两个阶段时间约束的划分点。
图3为本发明实施例提供的基于间歇观测和间断控制的闭环控制模型图。
进一步地，所述构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响具体为：
S21、构建基于间歇观测和间断控制的闭环控制模型如下：
考虑一个具有间歇观测和间断控制的闭环控制模型。整个控制系统由N个子系统构成，每个子系统由一对传感器和执行器组成，可以看作是一个闭环控制回路；
第n个子系统可以描述为一个离散时间线性时不变模型：
其中，是第k+1时刻的系统状态，/>是第k时刻的系统状态，/>和/>分别是执行器的控制输入和控制器计算求得的期望控制输入，/>是传感器n的测量值，An是状态转移矩阵，Dn是输入矩阵，Cn是传感器n的测量矩阵，/>是系统状态初值，/>和/>是系统噪声，/>是高斯的、白的、不相关的，均值分别为/>，方差分别为/>，二进制变量/>表示控制器和执行器之间的数据包是否传输成功，若/>，则表示执行器n在第k个时间步长接收到控制指令，二进制变量/>表示传感器和控制器之间的数据包是否传输成功，若/>，则表示传感器n在第k个时间步长成功传输其收集到的数据；
S22、定义以下信息集和变量：
其中，是信息集合，包括传感器n的测量值/>，表示上行数据是否传输成功的二进制变量/>和下行数据在k-1时刻是否传输成功的二进制变量/>，/>、/>、/>分别是第k个时间步长的系统状态估计值、状态估计误差和状态估计误差协方差矩阵，/>是状态误差的转置，/>表示求期望；
S23、使用与标准卡尔曼滤波中类似的参数来导出最优估计器的方程，更新步骤由下式给出：
其中，是第k+1时刻系统状态的预测值，/>是第k+1时刻系统状态的预测误差，/>是第k+1时刻系统状态的预测误差协方差。
S24、校正步骤如下：
其中，是经过测量更新的系统状态值，/>是更新的系统状态误差，/>是更新的系统误差协方差，/>为第k+1个时间步长的卡尔曼滤波增益，I为单位矩阵；
S25、根据以上公式，在第k个时间步长下，第n个子系统的系统状态估计误差可以表示为：
在第k个时间步长下，第n个子系统的控制指令传输误差可以表示为：
S26、在第k个时间步长，整个系统的控制成本可以表示为：
其中，表示求期望，在第k个时间步长，上行传输的总能耗可以表示为：/>
进一步地，所述构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制，具体过程如下：
S31、联合优化子载波分配、传感器和无线接入点的发射功率、上行和下行传输两个阶段时间约束的划分，最小化系统的控制成本和上行能耗的联合函数，提高系统性能：
其中，K是控制周期个数，是权重系数，/>是传感器集合，/>是传感器最大发射功率，/>是无线接入点最大发射功率，/>是第k时刻无线接入点的发射功率，/>是表示时延约束划分点的系数，C1和C2表示传感器和子载波是一一匹配的关系；C3和C4分别为传感器和无线接入点的发射功率约束；C5和C6为变量的可行范围；
对建立的问题模型进行求解，获得使系统总成本最小的通信传输策略及两阶段时间约束划分的方案；
所述两阶段指的是上行链路和下行链路；
S32、由于目标函数中含有K个时间步长的时间累积和，并且约束条件都是针对每个时间步长的，因此将P0分解为多个瞬时子问题；
S33、在第k个时间步长上，由于上行和下行传输存在时间上的顺序关系；因此，将问题P0分解为两个子问题去求解，分别为上行传输子问题和下行传输子问题，上行传输子问题表示为：
S34、为了有效求解问题SP1，先对目标函数进行推导简化，如下所示：
其中，/>是上行数据包传输成功的概率，/>和/>分别表示为：
上行传输成本可以进一步简化为：
S35、根据Dinkelbach算法，将问题SP1分为内外两层求解：外层由迭代更新的子载波分配和传感器发射功率更新系数，内层通过下面的求解步骤获得最佳的子载波分配和传感器发射功率，子问题SP1可以改写为：
为了高效求解问题SP1.1，提出了交替优化子载波分配和传感器发射功率的方法进行求解；
S351、数据包传输成功的概率可以转化为上行链路可实现的传输速率不小于系统要求速率的概率，在给定传感器发射功率的前提下，优化子载波分配的问题简化为：
/>
其中，，/>是每个子载波的带宽，/>为对时间K取均值，/>是上行传输的延迟约束。问题SP1.2是一个双边匹配、一一匹配的0-1线性规划问题，通过KM算法以获得该问题的最优解；
S352、在给定子载波分配的前提下，传感器的发射功率控制优化问题可以简化为：
其中，M为惩罚项系数，对问题SP1.3进行分析可知，由于N个传感器之间的数据包传输互不干扰，因此可以将该问题分解为N个子问题，分别为对每个传感器的发射功率进行单独优化。分析可知每个子问题中的目标函数在正半轴是关于功率先减小后增大的单峰函数，因此可以采用二分法进行求解；
S353、问题SP1.2和SP1.3求解完成后，交替优化子载波分配和传感器发射功率，通过迭代的方法求得问题SP1.1的最优解；
S36、根据Dinkelbach算法，通过迭代的方法更新参数的值，使得问题SP1的目标函数值最小，进而求得上行传输子问题的最优解；
S37、下行传输采用广播的形式，优化问题可以简化为：
分析可知，当无线接入点以最大功率进行广播时，下行传输的控制成本最小；
S38、在区间0到1内，搜索更新的值，使得原问题P0的目标函数值最小。
为了验证本发明方法的有效性，下面结合仿真对本发明的应用效果作详细的描述。
仿真条件
在仿真场景中，工业环境下的监测范围为50m * 200m矩形区域，10组两两配对的传感器和执行器随机布置在此范围内。信道传输带宽为1MHz，传感器的最大传输功率为30mW，无线接入点的最大传输功率为50mW。工业环境下高斯白噪声功率谱密度是-84dBm/Hz，每个传感器的感知数据包平均大小为1.5Kbits，每个执行器的控制指令的平均大小为100Bytes，一个控制周期的长度为100ms。
仿真内容与结果分析
通过与以下两种传输方法对比，验证本发明方法的有效性。
对比方法1：固定发射功率方法，该方法中传感器都以固定功率发射，即以最大功率的一半进行传输，仅对子载波分配进行优化。
对比方法2：随机子信道分配方法，该方法将子信道随机分配给被传感器，仅对传感器发射功率进行优化。
仿真1：对比分析传感器个数变化时，基于不同方法的总成本、总误差和总能耗曲线。
从图4可以看出，随着传感器个数的增加，三种方法的系统总成本都在不断增加，并且传感器个数达到一定数量时，系统总成本显著增加，说明此时的设备数量可能超出了系统所能承载的最大设备数量。其中，所提算法的总成本增长速度比两种对比算法要慢一些，说明所提算法的性能更好，鲁棒性更强。
从图5为本发明实施例提供的传感器个数变化时，不同方法的系统总误差对比图；
图6为本发明实施例提供的传感器个数变化时，不同方法的系统总能耗对比图；可以看出，随着传感器个数的增加，三种方法的总误差和总能耗都逐渐增大，并且所提方法的系统总误差和总能耗要低于对比方法1和对比方法2，说明所提算法性能最好。对比方法2的系统总误差和总能耗均大于所提方法和对比方法1，说明其性能最差。
仿真2：对比分析上行传输带宽变化时，基于不同方法的总成本、总误差和总能耗曲线。
从图7可以看出，随着上行传输带宽的增加，三种方法的总成本都逐渐减小，但所提方法的总成本低于对比方法1和对比方法2的总成本，并且传输带宽变化对优化传感器功率的所提方法和对比方法2的总成本影响相对较大，对固定传感器发射功率的对比方法1的总成本影响相对较小。
从图8为本发明实施例提供的上行传输带宽变化时，不同方法的系统总误差对比图；
图9为本发明实施例提供的上行传输带宽变化时，不同方法的系统总能耗对比图可以看出，随着上行传输带宽的增加，三种方法的总误差和总能耗都逐渐减小。当传输带宽增大到一定程度时，三种方法的总误差和总能耗数值都趋于平稳，说明继续增加带宽无法显著提升系统性能，但所提方法的总误差和总能耗都要低于对比方法1和对比方法2的总误差和总能耗，说明所提算法的性能更好。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于工业物联网的传输与控制协同设计方法，其特征在于，包括如下步骤：
S1、基于传感器-控制器-执行器全回路通信模型，并分析传感器-控制器上行链路以及控制器-执行器下行链路的传输时延；
所述基于传感器-控制器-执行器全回路通信模型，分析传感器-控制器上行链路的传输时延的具体过程为：
S11、在上行链路中，假设工业网络系统中的传感器是单载波通信设备，即只有一个射频模块，并且传感器和子载波是一一对应的，采用二进制变量x∈{0，1}表示子载波分配指标；
其中，若xn，s(k)＝1，则表示第s个子载波在第k个时间步长分配给第n个传感器；
S12、在没有同信道干扰的情况下，传感器n在子载波s上传输时，实现的上传速率rn，s(k)表示为：
其中，是每个子载波的带宽，B是整个信道的传输带宽，S是子载波的个数，pn(k)是传感器n的发射功率，hn，s(k)是第n个传感器在第s个子载波上传输时的信道增益，σ2是噪声功率；
S13、传感器n到控制器的上行链路传输延迟表示为：
其中，S是子载波集合，dn(k)是第n个传感器的数据包大小；
S2、构建基于间歇观测和间断控制的闭环控制模型，分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响；
所述分析控制器-执行器下行链路的传输时延的具体过程为：
S14、在下行链路中，采用广播的形式，将N个短数据包合并在一起推送到各个执行器，N是执行器的个数；
因此，从控制器到执行器n的下行链路传输速率表示为：
其中，hn(k)是第n个传感器的信道增益，q是无线接入点的发射功率，σ2是噪声功率；
S15、从控制器到执行器的下行链路传输时延表示为：
其中，ddown(k)是下行广播的数据包大小；
所述构建基于间歇观测和间断控制的闭环控制模型如下：
yn(k)＝γn(k)Cnxn(k)+zn(k)
其中：整个控制系统由N个子系统构成，每个子系统由一对传感器和执行器组成，每个子系统看作是一个闭环控制回路；
第n个子系统描述为一个离散时间线性时不变模型；
其中，xn(k+1)是第k+1时刻的系统状态，xn(k)是第k时刻的系统状态，和分别是执行器的控制输入和控制器计算求得的期望控制输入，yn(k)是传感器n的测量值，An是状态转移矩阵，Dn是输入矩阵，Cn是传感器n的测量矩阵，xn(0)是系统状态初值，wn(k)和zn(k)是系统噪声，(xn(0)，wn(k)，zn(k))是高斯的、白的、不相关的，均值分别为方差分别为(∑n(0)，Qw，Qz)，二进制变量v∈{0，1}表示控制器和执行器之间的数据包是否传输成功，若vn(k)＝1，则表示执行器n在第k个时间步长接收到控制指令，二进制变量γ∈{0，1}表示传感器和控制器之间的数据包是否传输成功，若γn(k)＝1，则表示传感器n在第k个时间步长成功传输其收集到的数据；
所述分析并解析地表达上行感知信息以及下行控制信息传输可靠性对闭环控制系统的控制成本和上行能耗的影响的过程如下：
S22、定义以下信息集和变量：
其中，是信息集合，包括传感器n的测量值yn(k)，表示上行数据是否传输成功的二进制变量γn(k)和下行数据在k-1时刻是否传输成功的二进制变量vn(k-1)，/>en(k|k)、∑n(k|k)分别是第k个时间步长的系统状态估计值、状态估计误差和状态估计误差协方差矩阵，e′n(k|k)是状态误差的转置，/>表示求期望；
S23、使用与标准卡尔曼滤波中类似的参数来导出最优估计器的方程，更新步骤由下式给出：
其中，是第k+1时刻系统状态的预测值，en(k+1|k)是第k+1时刻系统状态的预测误差，∑n(k+1|k)是第k+1时刻系统状态的预测误差协方差；
S24、校正步骤如下：
Σn(k+1|k+1)＝Σn(k+1|k)-γn(k+1)Gn(k+1)CnΣn(k+1|k)
其中，是经过测量更新的系统状态值，/>是更新的系统状态误差，∑n(k+1|k+1)是更新的系统误差协方差，Gn(k+1)为第k+1个时间步长的卡尔曼滤波增益，I为单位矩阵；
S25、在第k个时间步长下，第n个子系统的系统状态估计误差表示为：
在第k个时间步长下，第n个子系统的控制指令传输误差表示为：
S26、在第k个时间步长，整个系统的控制成本表示为：
其中，表示求期望，在第k个时间步长，上行传输的总能耗E1(k)表示为：
S3、构建工业网络系统的通信与控制总成本最小化的目标函数，提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制；
所述构建工业网络系统的通信与控制总成本最小化的目标函数具体为：
S31、联合优化子载波分配、传感器和无线接入点的发射功率、上行和下行传输两个阶段时间约束的划分，最小化工业网络系统的控制成本和上行能耗的联合函数；
C4:0≤q(k)≤qmax，
C6:η(k)∈(0,1)
其中，K是控制周期个数，ρ1(k)是权重系数，是传感器集合，pmax是传感器最大发射功率，qmax是无线接入点最大发射功率，q(k)是第k时刻无线接入点的发射功率，η(k)是表示时延约束划分点的系数，C1和C2表示传感器和子载波是一一匹配的关系；C3和C4分别为传感器和无线接入点的发射功率约束；C5和C6为变量的可行范围；
所述提出一种交替优化算法对优化问题进行求解，通过对时间与频率资源的联合优化，实现资源受限下工业网络系统的控制具体过程如下；
S32、将P0分解为多个瞬时子问题；
S33、在第k个时间步长上，由于上行和下行传输存在时间上的顺序关系；因此，将问题P0分解为两个子问题去求解，分别为上行传输子问题和下行传输子问题，上行传输子问题表示为：
S.t.C1-C3,C5
S34、为了有效求解问题SP1，先对目标函数进行推导简化，如下所示：
其中，是上行数据包传输成功的概率，an(k)和bn(k)分别表示为：
an(k)＝Gn(k)Cnen(kk-1)+Gn(k)zn(k)
bn(k)＝en(k|k-1)-Gn(k)Cnen(k|k-1)-Gn(k)zn(k)
上行传输成本进一步简化为：
An(k)＝an(k)Tan(k)+bn(k)Tan(k)+an(k)Tbn(k)+bn(k)Tbn(k)
Bn(k)＝an(k)Tan(k)+bn(k)Tan(k)+an(k)Tbn(k)
S35、根据Dinkelbach算法，将问题SP1分为内外两层求解：外层由迭代更新的子载波分配和传感器发射功率更新系数ρ1(k)，内层通过下面的求解步骤获得最佳的子载波分配和传感器发射功率，子问题SP1改写为：
s.t.C1-C3，C5
S36、根据Dinkelbach算法，通过迭代的方法更新参数ρ1(k)的值，使得问题SP1的目标函数值最小，进而求得上行传输子问题的最优解；
S37、下行传输采用广播的形式，优化问题简化为：
s.t.0≤q(k)≤qmax
分析可知，当无线接入点以最大功率qmax进行广播时，下行传输的控制成本最小；
S38、在区间0到1内，搜索更新ηn(k)的值，使得原问题P0的目标函数值最小。
2.根据权利要求1所述的基于工业物联网的传输与控制协同设计方法，其特征在于，提出了交替优化子载波分配和传感器发射功率的方法对问题SP1.1进行求解，具体过程如下：
S351、数据包传输成功的概率可以转化为上行链路可实现的传输速率不小于系统要求速率的概率，在给定传感器发射功率的前提下，优化子载波分配的问题简化为：
s.t.C1，C2，C5
其中， 是每个子载波的带宽，/>为hn，s(k)对时间K取均值，Ts(k)是上行传输的延迟约束，问题SP1.2是一个双边匹配、一一匹配的0-1线性规划问题，通过KM算法以获得该问题的最优解；
S352、在给定子载波分配的前提下，传感器的发射功率控制优化问题可以简化为：
s.t.C3
其中，M为惩罚项系数，对问题SP1.3进行分析可知，由于N个传感器之间的数据包传输互不干扰，因此将该问题分解为N个子问题，分别为对每个传感器的发射功率进行单独优化，分析可知每个子问题中的目标函数在正半轴是关于功率pn(k)先减小后增大的单峰函数，因此可以采用二分法进行求解；
S353、问题SP1.2和SP1.3求解完成后，交替优化子载波分配和传感器发射功率，通过迭代的方法求得问题SP1.1的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410329851.4A CN117939483B (zh) | 2024-03-22 | 2024-03-22 | 一种基于工业物联网的传输与控制协同设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410329851.4A CN117939483B (zh) | 2024-03-22 | 2024-03-22 | 一种基于工业物联网的传输与控制协同设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117939483A CN117939483A (zh) | 2024-04-26 |
| CN117939483B true CN117939483B (zh) | 2024-06-18 |
Family
ID=90763433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410329851.4A Active CN117939483B (zh) | 2024-03-22 | 2024-03-22 | 一种基于工业物联网的传输与控制协同设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117939483B (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102329002B1 (ko) * | 2014-02-26 | 2021-11-18 | 클라크 에머슨 코헨 | 향상된 성능 및 비용의 글로벌 네비게이션 위성 시스템 아키텍처 |
| CN106068032B (zh) * | 2016-05-20 | 2019-07-09 | 电子科技大学 | 主信道非理想估计时基于人工噪声的协作网络功率分配法 |
| CN115714793B (zh) * | 2022-11-08 | 2023-09-15 | 大连海事大学 | 一种工业物联网中感知信息按需传输方法 |
| CN116546639A (zh) * | 2023-05-26 | 2023-08-04 | 中国科学院沈阳自动化研究所 | 一种5g驱动网络化控制系统的资源调度方法 |
-
2024
- 2024-03-22 CN CN202410329851.4A patent/CN117939483B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 面向工业网络系统状态感知的机会式传输策略;乔泽鑫，吕玲，戴燕鹏;移动通信;20230815(第8期);第16页-第21页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117939483A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ko et al. | Live prefetching for mobile computation offloading | |
| Zarakovitis et al. | Power-efficient cross-layer design for OFDMA systems with heterogeneous QoS, imperfect CSI, and outage considerations | |
| Yu et al. | Application layer QoS optimization for multimedia transmission over cognitive radio networks | |
| US20120281648A1 (en) | Interference mitigation with scheduling and dynamic power spectrum allocation for wireless networks | |
| Van Huynh et al. | Optimal and low-complexity dynamic spectrum access for RF-powered ambient backscatter system with online reinforcement learning | |
| CN113038616A (zh) | 一种基于联邦学习的频谱资源管理分配方法 | |
| Adeogun et al. | Learning to dynamically allocate radio resources in mobile 6G in-x subnetworks | |
| Fedullo et al. | Adaptive LoRaWAN transmission exploiting reinforcement learning: The industrial case | |
| Kela et al. | Reinforcement learning for delay sensitive uplink outer-loop link adaptation | |
| Yu et al. | Adaptive packet length adjustment for minimizing age of information over fading channels | |
| CN117939483B (zh) | 一种基于工业物联网的传输与控制协同设计方法 | |
| Lin et al. | CFLIT: Coexisting federated learning and information transfer | |
| WO2021048594A1 (en) | Methods for block error rate target selection for a communication session and related apparatus | |
| Fan et al. | Best effort voting power control for byzantine-resilient federated learning over the air | |
| Kiss et al. | Improving transmission reliability in wireless sensor networks using network coding | |
| Chincoli et al. | Predictive power control in wireless sensor networks | |
| Sun et al. | Confidence interval based model predictive control of transmit power with reliability constraint | |
| Moon et al. | Receiver cooperation in topology control for wireless ad-hoc networks | |
| CN117581493A (zh) | 链路适配 | |
| Zhu et al. | Minimizing age of information in the uplink multi-user networks via dynamic bandwidth allocation | |
| WO2012146278A1 (en) | Apparatus and method for communication with a number of user equipments using ofdma | |
| CN112218378A (zh) | 一种不完美信道状态信息衰落信道中的无线资源分配方法 | |
| Abad et al. | Finite horizon throughput maximization for a wirelessly powered device over a time varying channel | |
| CN112637884B (zh) | 基于扩张状态观测器的wsn的模型预测控制方法 | |
| Abad et al. | Optimal finite horizon sensing for wirelessly powered devices |
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 |