基于模糊神经网络的工业数据流优先级适配机制.pdf

第47卷总第516期39 2023年8月第8期收稿日期：2023-06-25*基金项目：国家重点研发计划“工业现场无线控制系统架构和设计方法”（2020YFB1708700）；国家自然科学基金项目“分布式工业网络中适配业务传输需求的多域资源协同优化研究”（62273295）；中央引导地方项目“业务需求驱动的多层级工业网络可靠接入与信息传输协同优化研究”（226Z0304G）基于模糊神经网络的工业数据流优先级适配机制*Industrial Data Stream Priority Adaptation Mechanism Based on Fuzzy Neural Network 在传统的工业现场级网络中，存在大量具有不同时延需求的业务，如何满足不同业务的时延需求存在挑战。针对在工业场景中现场级网络应如何保障系统反馈控制实时性的问题，提出了一种基于模糊推理模型的优先级适配机制。该机制通过动态调整网络中数据流的优先级，以满足各类异构业务的传输需求，保证系统反馈控制的实时性；同时，为了使其能够与时间敏感网络的优先级结合，设计了离散量化输出模型，为实现确定性网络调度提供依据。最后通过仿真，验证了该机制的实时性与有效性。优先级适配机制；模糊神经网络；动态优先级；时间敏感网络In traditional industrial field-level networks,there are numerous services with diverse latency requirements,posing challenges to meet the delay requirements of different services.To address the issue of ensuring real-time feedback control in industrial scenarios,this paper proposes a priority adaptation mechanism based on fuzzy inference modeling.This mechanism dynamically adjusts the priority of data flows in the network to meet the transmission needs of various heterogeneous services,ensuring the real-time performance of system feedback control.Meanwhile,in order to integrate with the priority of time-sensitive networks,a discrete quantization output model is designed to facilitate deterministic network scheduling.Through simulation,the real-time capability and effectiveness of the proposed mechanism are validated.priority adaptation mechanism;fuzzy neural network;dynamic priority;time-sensitive networks（燕山大学电气工程学院，河北 秦皇岛 066004）(School of Electrical Engineering,Yanshan University,Qinhuangdao 066004,China)【摘 要】【关键词】张子腾，王文烨，郑卓琳，袁亚洲ZHANG Ziteng,WANG Wenye,ZHENG Zhuolin,YUAN Yazhoudoi:10.3969/j.issn.1006-1010.20230625-0001 中图分类号：TN929.5文献标志码：A 文章编号：1006-1010(2023)08-0039-07引用格式：张子腾,王文烨,郑卓琳,等.基于模糊神经网络的工业数据流优先级适配机制J.移动通信,2023,47(8):39-45.ZHANG Ziteng,WANG Wenye,ZHENG Zhuolin,et al.Industrial Data Stream Priority Adaptation Mechanism Based on Fuzzy Neural NetworkJ.Mobile Communications,2023,47(8):39-45.0 引言工业物联网是实现智能制造的基础手段，它通过新一代信息通信技术与工业经济深度融合，实现生产现场物理信息系统的泛在连接，构建起覆盖全域要素的全新制造和服务体系，为工业乃至产业数字化、网络化、智能化发展提供了实现途径，在第四次工业革命的背景下，工业物联网技术迅速Abstract Keywords发展1。现场级工业网络具有集成管理设备、实现设备通信和数据驱动决策等功能，在工业物联网中起着关键作用2-5。然而，现场级工业网络在异构数据流自适应分级与确定性传输方面仍面临挑战。对于大型流程工业，大量的工业设备产生的数据具有并发性，各设备之间数据交互冲突严重，可靠传输困难。同时，在网络中数据的时延需求具有时变性，使用固定传输策略会导致工业现场控制系统难以满足数据的动态时延需求。为保证数据传输的服务质量需求，需要对并发的数据进行实时优先级排序，以确保关键数据的确定性传输6。因此，如何提高设备间异构数据流交互的优先级自适应性与确定性对于工业现场级网络至关重要。近年来，在如何提高工业数据流中异构数据的自适应性与确定性问题上，研究者开展了相关研究工作。文献OSID：扫描二维码与作者交流第47卷总第516期402023年8月第8期“面向6G的物联网技术”专题7 提出了一种基于机器学习的自适应方法处理网络中的工业异构数据。文献 8 使用 ANFIS（Adaptive Neuro-Fuzzy Inference System，自适应模糊神经推理系统）解决了工业数据流中未建模的动态估计问题。文献 9 测量了工业数据的振幅等特征，通过模糊聚类粒子化数据的特征信息，提出了一种自适应数据粒子化方法。以上研究针对如何处理现场级网络中异构数据的自适应问题给出了相应的解决方案。然而，复杂的工业现场混合关键流量共存，网络传输控制策略无法满足关键数据流的确定性交付要求，需要提高关键数据流的优先级。使用模糊推理系统对异构数据进行优先级分类是一种潜在的解决方案。文献 10 提出了一种基于模糊反馈控制的调度算法，将任务集按不同优先级等级进行划分，提高了重要任务的调度成功率。文献 11 提出了一种基于模糊逻辑推理系统的算法，通过智能调控数据流调度解决了网络中的数据拥塞问题，并通过仿真实验验证了算法的有效性。文献 12 为了对工业生产进行更有效的监督，使用层次分析法对模型的优先级排序，并设计了模糊决策融合系统用于在线过程的监控。以上研究提出的方法能够有效解决网络中的数据拥塞问题，然而，在实际网络中，传输模糊系统生成的实数优先级可能会带来数据失真、增加带宽消耗量、容错性降低等问题。TSN（Time-Sensitive Networking，时间敏感网络）是一种工业通信技术，其时钟同步、低时延通信、带宽保障和流量隔离的特点能够为各种应用提供实时、高可靠性的网络通信13。TSN 网络中的数据流可以根据其重要性和时效性需求配置不同的优先级。优先级控制机制可以确保高优先级数据流能够在低优先级数据流之前得到处理与传输，从而满足实时性要求14-17。本文将模糊系统的输出进行优先级分类与 TSN 的固定优先级适配，能够为满足异构数据的确定性时延需求提供技术支撑。综上，本研究的主要贡献如下：（1）建立了基于模糊系统的推理模型，根据现场级业务的时延需求制定了相应规则，可以保证感知数据流优先级分类的实时性。（2）基于模糊神经网络技术，设计了优先级适配机制。通过使用神经网络对模糊系统进行训练，提高了数据流优先级分类的自适应能力。（3）设计了匹配 TSN 优先级的量化分级方法，可通过与 TSN 传输控制策略融合，满足异构业务对网络数据的动态时延需求。1 系统结构与模型1.1 总体系统结构在传统的工业现场的生产任务中，由于工序的进程不同，对关联数据的时延需求是动态变化的。尽管专家系统和模糊系统能够基本满足数据的基础分级需求，然而它们在动态变化的场景下表现欠佳，无法动态适配。因此，本文提出结合神经网络和模糊推理系统的策略，并通过建立优先级适配机制来解决这一问题。系统结构如图 1 所示。1.2 模糊控制系统的建立在本研究中，现场级网络传输的异构数据与其对应的优先级之间并非简单的线性关系，二者之间的对应关系受环境变化、操作条件等因素的影响，存在一定的模糊性和不确定性。面对该类问题，模糊系统通过使用模糊集合和隶属函数的方法，赋予了系统一定的推理能力，使系统能图1 系统结构图第47卷总第516期41 2023年8月第8期张子腾,王文烨,郑卓琳,等:基于模糊神经网络的工业数据流优先级适配机制够根据规则处理数据之间难以描述的数学关系，以此达到能够使系统根据经验进行数据处理的效果。因此，本研究使用模糊系统对现场级网络中的数据进行初步处理。TS（Takagi-Sugeno）模糊模型是一种常见的模糊推理模型。与传统的模糊推理模型不同，TS 模糊模型的后件部分是一组线性方程或实数形式，而不是一个模糊集合。这使得 TS 模糊模型更加灵活、可解释性更强，适用于多种实际问题的建模和控制，被广泛应用于模式识别、系统决策、数据预测等领域。本研究采用TS型模糊系统进行模型设计，以完成工业现场级网络中数据的优先级分类任务。在规则设置部分，模糊规则通常采用“If,Then”的形式，对于 TS 型模糊系统来说，它的模糊规则形式为：If x1 is A1,xn is An,Then y=p1x1+pnxn+q (1)式(1)中“x1 is A1,xn is An”是模型的前件部分，描述了输入变量与模糊集的隶属关系。式(1)中 y=p1x1+pnxn+q 为模糊系统的后件部分，主要描述了描述系统输出与输入变量的线性关系。A1,.,An是模糊集，p1,.,pn和 q 是参数。在本研究中，TS 型模糊系统采用高斯型隶属度函数，表达式如式(2)所示：(2)在本研究中，为了便于验证机制的实时性与有效性，将网络中数据的警戒阈值拟定为 0 和 100，0 为境界下限，100为境界上限，标准值设置为 50，并以此为例开展后续研究。数据与阈值距离越近，其优先级越高，反之越低。计算每个数据与标准值的差值与该数据在当前值的优先级变化率，并做归一化处理。优先级的拟合表达式如式(3)所示。数据在当前值的优先级变化率 ude为对应数据在式(3)中该点的导数值，如式(4)所示。其数据偏差值的计算方式如式(5)所示。(3)(4)ddev=dmsr-dpre (5)其中 u 为优先级。其中 h 的值为 10-8，ddev为数据偏差值，dmsr为数据测量值，dpre为数据标准值。图 1 中的模糊神经网络控制器分为如下步骤实现：（1）变量模糊化：将输入变量划分成若干模糊等级，再确定输入变量的隶属度函数。系统将输入的数据偏差值 ddev和优先级变化率 ude两个变量划分为 NB，NM，NS，ZO，PS，PM，PB 七个模糊等级，其中 PB 表示正大，PM 表示正中，PS 表示正小，ZO 表示零，NS 表示负小，NM 表示负中，NB 表示负大。其隶属度函数如图 2 所示：（a）偏差的初始隶属度函数（b）优先级变化率的初始隶属度函数图2 初始隶属度函数图（2）建立模糊控制规则：根据数据的时延需求特征制定了模糊规则表，如表 1 所示。为了便于描述动态变化的后件输出，采用模糊变量的形式对其进行表示。表1 模糊逻辑控制规则表NBNMNSZOPSPMPBNBPBPBPSNSPSPBPBNMPBPMZONMZOPMPBNSPSZONMNSNMZOPSZONSNMNSNSNSNMNSPSPSZONMNSNMZOPSPMPBPMZONMZOPMPBPBPBPBPSNSPSPBPB第47卷总第516期422023年8月第8期“面向6G的物联网技术”专题（3）模糊推理：此过程由模糊推理机制完成，输入的两个模糊变量，依据步骤 2 中建立的模糊逻辑控制规则推理输出确定数值，实现基于 TS 型模糊模型推理决策。（4）BP 神经网络训练选择最小二乘形式的损失函数，其激活函数选择sigmoid 函数，如式(6)和式(7)所示：(6)(7)其中C为均方误差，yk为实际输出值，ok为理想输出值，f(x)为激活函数。设 BP 神经网络的输入向量为 X=x1,x2T（x1和 x2分别为模糊系统的两个输入ddev与ude），输出向量为Y=y1，理想输出向量为O=O1，隐含层输出向量为B=b1 bpT（p为隐含层层数），输入层至隐含层的权值为Wj=wj1,wj2T(j=1,2,p)，隐含层至输出层的权值Vk=vk(k=1)。在其正向传播阶段，隐含层各神经元激活值如式(8)所示：21jjiijiswx=(8)其中 j为隐含层各单元阈值。隐含层各单元的输出值如式(9)所示：(9)输出层激活值如式(10)所示，实际输出值如式(11)所示：(10)(11)在反向传播阶段，输出层的校正误差如式(12)所示。其中 yk为实际输出值，ok为理想输出值。dk=(ok-yk)*yk*(1-yk)(12)在隐含层，各单元的校正误差如式(13)所示：ej=(vjk)*bj*(1-bj)(13)输出层至隐含层的权值与阈值校正值分别如式(14)与式(15)所示：(14)(15)其中 bj为隐含层各单元的输出值，dk为输出层的校正误差，为学习系数（0）。隐含层至输入层权值与阈值校正值如式(16)与(17)所示：(16)(17)其中 ej为隐含层的校正误差，为学习系数（01）。在 BP 神经网络训练的过程中，通过最小化均方误差的方法循环调整网络的权重和阈值，使实际输出尽可能接近理想输出值。（5）ANFIS 训练将数据导入ANFIS模型，并选择BP（Backpropagation，反向传播）算法进行训练。Backpropagation 算法采用迭代优化策略，能够基于输出和真实目标之间的误差，对网络参数进行调整。相比于其他一些算法，比如最小均方误差、随机梯度下降等，反向传播算法通常能够提供更快的收敛速度和更低的总体误差。Backpropagation 算法训练后的隶属度函数图如图 3 所示：（a）偏差隶属度函数（b）优先级变化率隶属度函数图3 训练后的隶属度函数图模型经过 BP 算法训练后，修改了初始隶属度函数的部分参数，隶属度函数不同模型计算得到的结果不同。相较图 2 的初始隶属度函数，经 BP 算法训练后新的隶属第47卷总第516期43 2023年8月第8期度函数在异构数据初步处理导入模型后所得到的预测值更接近预期值。2 实验验证与评估为了便于分析结果的有效性，本文模拟产生了 3 组网络中传输的异构感知数据流，并进行了归一化处理，如图 4 所示：图4 模拟生成的数据与归一化处理后的数据将 3 组数据依次输入 ANFIS 和专家系统中，对比处理和分析结果，评估模糊系统的有效性与实时性。由结果得知，专家系统和 ANFIS 的输出结果在与期望值的数据贴合性上具有一定的差异，但变化趋势与期望值一致，如图 5 所示。相较于专家系统，ANFIS 的结果更接近标准预期的优先级。ANFIS 的模型性能统计如表 2 所示。由表 2 数据知，模糊系统的平均响应时间为毫秒级，能够满足系统响应的实时性。并且系统响应时间的抖动方差为微秒级，使平均响应时间的稳定性也得到了保障。因此，ANFIS 在数据处理时的低时延特点能够满足异构数据的实时处理需求。表2 平均处理时间与方差平均响应时间/s 响应时间方差/s1.9010-45.2410-101.8910-41.8810-44.6410-101.2810-10表 2 中的平均响应时间为模糊系统每次计算的平均时间，响应时间方差为每次计算所需要时间的方差。根据前述模型，通过模糊系统可得到优先级为 0 到1 的连续实数值。在实际网络中，传递从 0 到 1 的连续数据是一项具有挑战性的任务。（a）第一组数据效果对比（b）第二组数据效果对比（c）第三组数据效果对比图5 数据处理的效果对比张子腾,王文烨,郑卓琳,等:基于模糊神经网络的工业数据流优先级适配机制第47卷总第516期442023年8月第8期“面向6G的物联网技术”专题TSN 定义了一系列用于工业网络实时通信的标准。为了满足不同应用的时序需求，TSN 引入了 8 个不同的优先级等级：时间关键流量（优先级 1）：专门用于关键控制流量，需要最低的延迟和最高的可靠性；高优先级流量（优先级 2）：用于高优先级流量，需要低延迟和高可靠性；中优先级流量（优先级 3）：用于中等延迟和可靠性的流量，包括对时延需求较低的控制信息和数据流；低优先级流量（优先级 48）：用于一般流量，对于延迟和可靠性要求相最低，根据具体需求和系统配置，可以将不同类型的数据流分配到不同的低优先级。为了更好地与 TSN 技术融合，本文将输出的优先级数值离散适配为 1 到 8 的整数值，与 TSN 中的固定优先级进行匹配，为后续满足异构数据的确定性时延需求提供技术支撑。离散化结果如图 6 所示，所提出的机制可以很好地趋近期望分级数值。3 结束语本文针对异构业务的动态时延需求，提出了基于模糊神经网络的工业数据流优先级适配机制。该机制将异构业务的数据进行了优先级分类，并使用 ANFIS 的方法提高了系统的自适应能力。在仿真阶段，为了便于分析机制的有效性，使用模拟的异构数据对 ANFIS 与专家系统的性能进行了对比分析。结果显示，自适应模糊神经网络输出的结果更接近期望值，并且具有低时延的数据处理能力。值得注意的是本文所提出的机制重点关注的是特定场景下的数据分级，未来可以引入强化学习地思想，使系统具备自学习能力。参考文献：1 关新平,陈彩莲,杨博,等.工业网络系统的感知-传输-控制一体化：挑战和进展 J.自动化学报,2019,45(1):25-36.2 Guo Y,Hu X,Hu B,et al.Mobilecyber physical systems:Current challenges and future networking applicationsJ.IEEE Access,2018,6:12360-12368.3 柴天佑,刘强,丁进良,等.工业互联网驱动的流程工业智能优化制造新模式研究展望 J.中国科学：技术科学,2022,52(1):14-25.4 唐国锋,冯子钰,李丹,等.工业互联网综述与展望：基于文献计量分析 J/OL.计算机集成制造系统:1-212023-06-23.5 王健全,马彰超,孙雷,等.工业网络体系架构的演进、关键技术及未来展望 J.工程科学学报,2023,45(8):1376-1389.6 苏洵,李艳芳,宗宁,等.基于多特征动态优先级的网络实时调度算法 J.通信学报,2020,41(5):159-167.7 Yang Z,Zheng J,Ge Z.Lifelong Bayesian Learning Machines for Streaming Industrial Big DataJ.IEEE Transactions on Systems,（a）第一组数据的优先级分类结果（b）第二组数据的优先级分类结果（c）第三组数据的优先级分类结果图6 数据的优先级分类结果第47卷总第516期45 2023年8月第8期Man,and Cybernetics:Systems,2023,53(3):1554-1565.8 Zhang Y,Chai T,Wang H,et al.An Improved Estimation Method for Unmodeled Dynamics Based on ANFIS and Its Application to Controller DesignJ.IEEE Transactions on Fuzzy Systems,2013,21(6):989-1005.9 Wang T,Han Z,Zhao J,et al.Adaptive Granulation-Based Prediction for Energy System of Steel IndustryJ.IEEE Transactions on Cybernetics,2018,48(1):127-138.10 金宏,王宏安,傅勇,等.模糊反馈控制实时调度算法 J.软件学报,2004(6):791-798.11 罗成,谢维信.传感器网络拥塞避免与控制的模糊AQM算法J.电子学报,2014,42(4):679-684.12 Ge Z,Liu Y.Analytic Hierarchy Process Based Fuzzy Decision Fusion System for Model Prioritization and Process Monitoring ApplicationJ.IEEE Transactions on Industrial Informatics,2019,15(1):357-365.13 蔡岳平,姚宗辰,李天驰.时间敏感网络标准与研究综述 J.计算机学报,2021,44(7):1378-1397.14 Yuan Y,Cao X,Liu Z,et al.Adaptive Priority Adjustment Scheduling Approach With Response-Time Analysis in Time-Sensitive NetworksJ.IEEE Transactions on Industrial Informatics,2022,18(12):8714-8723.15 Craciunas S S,Oliver R S,Chmelk M,et al.Scheduling real-time communication in IEEE 802.1 Qbv time sensitive networksC/24th International Conference on Real-Time Networks and Systems,2016:183-19216 Drr F,Nayak N G.No-wait packet scheduling for IEEE time-sensitive networks(TSN)C/24th International Conference on Real-Time Networks and Systems.2016:203-21217 Lo Bello L,Steiner W.A Perspective on IEEE Time-Sensitive Networking for Industrial Communication and Automation SystemsJ.Proceedings of the IEEE,2019,107(6):1094-1120.张子腾（orcid.org/0009-0001-0851-0502）：燕山大学在读硕士研究生，研究方向为业务需求驱动的网络资源优化与调度算法。王文烨：燕山大学在读硕士研究生，研究方向为基于边缘计算的无人机目标识别与追踪。郑卓琳：燕山大学在读硕士研究生，研究方向为基于云边协同的设备状态分析算法。袁亚洲：博士毕业于上海交通大学，现任燕山大学电气工程学院副教授、博士/硕士生导师，研究方向为工业无线网络资源优化、软件定义网络与边缘计算、工业物联网关键设备研发。作者简介10 Jin X,Xia C,Guan N,et al.Joint algorithm of message fragmentation and no-wait scheduling for time-sensitive networksJ.IEEE/CAA J.Autom.Sinica,2021,8(2):478-490.11 Minaeva A,Akesson B,Zdenk Hanzlek,et al.Time-Triggered Co-Scheduling of Computation and Communication with Jitter RequirementsJ.IEEE Transactions on Computers,2018,67(1):115-129.12 Wu J,Chen W.A Deterministic Scheduling Policy for Low-Latency Wireless Communication with Continuous Channel StatesJ.IEEE Transactions on Communications,2021,69(10):6590-6603.13 Yuan Y,Cao X,Liu Z,et al.Adaptive Priority Adjustment Scheduling Approach With Response-Time Analysis in Time-Sensitive NetworksJ.IEEE Transactions on Industrial Informatics,2022,18(12):8714-8723.14 Pop P,Raagaard M L,Craciunas S S,et al.Design optimisation of cyber-physical distributed systems using IEEE time-sensitive networksJ.IET Cyber-Phys.Syst.,Theory Appl.,2016,1(1):86-94.15 Craciunas S S,Oliver R S,Martin Chmelk,et al.Scheduling real-time communication in IEEE 802.1Qbv time sensitive networksC/IEEE International Conference on Real-Time Networks and Systems(RTNS).New York,NY,USA:ACM,2016:183-192.16 Huang Y,Wang S,Zhang X,et al.Flexible Cyclic Queuing and Forwarding for Time-Sensitive Software-Defined NetworksJ.IEEE Transactions on Network and Service Management,2023,20(1):533-546.17 Baniabdelghany H,Obermaisser R,Khalifeh A.Time Triggered Scheduling Algorithm for Real-Time Wireless SystemsC/IEEE International Conference on Industrial Informatics(INDIN).IEEE,2020:265-272.18 Moura L,Bjrner N.Z3:An efficient SMT solverC/International conference on Tools and Algorithms for the Construction and Analysis of Systems.Springer,Berlin,Heidelberg,2008:337-340.19 Minaeva A,Zdenk Hanzlek.Survey on Periodic Scheduling for Time-triggered Hard Real-time SystemsJ.ACM Computing Surveys,2021,54(1):1-32.曹旭（orcid.org/0009-0000-9415-7807）：硕士毕业于燕山大学，现任职于沧州热力有限公司，主要研究方向为时间敏感网络、智慧供热等。周学哲：中级工程师，现任沧州热力有限公司副总经理，主要研究方向为智能边缘网络、智慧供热等。宋亚平：中级工程师，现任沧州热力有限公司副总经理，主要研究方向为工业物联网、智能控制等。蔺伟：现任沧州热力有限公司副总经理，主要研究方向为区域供热、智慧供热等。作者简介（上接第32页）