面向工业网络系统状态感知的机会式传输策略.pdf

第47卷总第516期162023年8月第8期“面向6G的物联网技术”专题面向工业网络系统状态感知的机会式传输策略*Opportunistic Transmission Strategy for State Sensing in Industrial Network Systems在工业网络系统中，控制中心经由无线网络收集现场设备的感知信息并执行状态估计以推测设备运行状态。然而，有限的频谱、能量资源和恶劣的工业无线电环境导致感知信息难以在规定的期限内到达控制中心，进而致使状态估计的性能显著恶化。针对上述问题，提出了能量感知的传感器调度和机会传输方案，以提升资源利用率和状态估计精度，并构建了频谱和能量资源约束的总成本最小化问题，以实现估计性能和资源消耗的有效折衷。为高效求解此混合整数非线性规划问题，设计了基于估计误差比率的传感器调度策略，并采用子问题迭代求解的方式以较低的复杂度获得原问题的近似最优解。仿真结果验证了所提方案在降低估计误差和能耗方面的优越性。工业网络系统；状态估计；传感器调度；机会式传输 In industrial network systems,the control center collects sensory information from field devices via wireless networks and performs state estimation to conjecture the operating status of the device.However,limited spectrum,energy resources,and harsh industrial wireless environments make it difficult for sensory information to reach the control center within the prescribed deadline,resulting in a significant deterioration in the performance of state estimation.To address this issue,an energy-aware sensor scheduling and opportunistic transmission scheme is proposed to improve the resource utilization and state estimation accuracy,and an overall cost minimization problem with spectrum and energy resource constraints is formulated to achieve an effective trade-off between estimation performance and resource consumption.To efficiently solve this mixed-integer nonlinear programming problem,an estimation error ratio-based sensor scheduling strategy is designed,and an iterative method of subproblems is adopted to obtain the approximate optimal solution of the original problem with lower complexity.Simulation results verify the superiority of the proposed scheme in reducing the estimation error and energy consumption.Industrial network systems;state estimation;sensor scheduling;opportunistic transmission（大连海事大学信息科学技术学院，辽宁 大连 116026）(School of Information Science and Technology,Dalian Maritime University,Dalian 116026,China)【摘 要】乔泽鑫，吕玲，戴燕鹏QIAO Zexin,LV Ling,DAI Yanpengdoi:10.3969/j.issn.1006-1010.20230615-0002 中图分类号：TN929.5文献标志码：A 文章编号：1006-1010(2023)08-0016-06引用格式：乔泽鑫,吕玲,戴燕鹏.面向工业网络系统状态感知的机会式传输策略J.移动通信,2023,47(8):16-21.QIAO Zexin,LV Ling,DAI Yanpeng.Opportunistic Transmission Strategy for State Sensing in Industrial Network SystemsJ.Mobile Communications,2023,47(8):16-21.Abstract Keywords【关键词】OSID：扫描二维码与作者交流收稿日期：2023-06-15*基金项目：国家自然科学基金项目“面向工业网络系统感知与控制的边缘协作传输机制”，“立体密集网络连续覆盖的非正交多址协同接入方法”（62002042，62101089）；中国博士后科学基金项目“工业网络系统边缘协作传输与协调控制的联合优化”，“立体密集无线网络连续覆盖的空地多点协作方法”（2021M690022，2021M700655）0 引言工业网络系统是一个具有大量感知与控制设备的工业系统，凭借高效的信息获取、传输和处理能力被广泛应用于实际的工业场景，如设备预测性维护、生产过程效率控制和厂区智能物流等1-6。在工业网络系统中，广泛部署在工业工厂中的传感器将采集到的感知信息通过无线网络传输至远端控制中心，远端控制中心基于所获得的感知信息执行状态估计以监控设备的运行状态，从而实现工业监控过程7。由此可见，状态估计的准确性在很大程度上取决于感知信息的传输性能8。然而，恶劣的工业环境和不可靠的无线信道使得感知数据的传输性能难以支持高精度的状态估计9。因此，在恶劣工业环境下，第47卷总第516期17 2023年8月第8期资源等分为 K 个子载波，每个子载波的带宽为 B。令 ds,k(n)表示传感器 s 和子载波 k 在第 n 个估计周期的关联关系。其中，ds,k(n)=1 表示在第 n 个估计周期子载波 k 被分配给传感器 s。否则，ds,k(n)=0。由于可用的频谱资源有限，应限制在同一估计周期内向边缘估计器传输感知数据的传感器数量，以保证无冲突传输，所以应满足下述条件：(1)其中，as(n)是传感器调度指示变量。as(n)=1 表示传感器 s 被边缘估计器调度。否则，as(n)=1。变量 bs(n)表示传感器的机会传输过程。如果 bs(n)=1，则意味着传感器s 接受边缘估计器的调度请求并参与数据传输。否则，bs(n)=0，这意味着传感器 s 拒绝参与数据传输。然后，传感器 s 的数据传输速率可以表示为：(2)其中，ps,k(n)是传感器 s 在子载波 k 上的发射功率，hs,k(n)是传感器 s 在子载波 k 上的信道增益，是噪声功率。传感器 s 的传输时延表示为：(3)其中，ls(n)是传感器 s 的感知数据包长。当传感器接受调度请求并将感知数据传输到边缘估计器时，主要的能耗是由数据传输引起的。在第 n 个估计周期，传感器 s 的传输能耗表示为：(4)考虑到传感器的能量限制，当传感器未被调度或拒绝调度请求时，其将处于休眠状态。传感器处于休眠状态时的能耗为 ED=ED 0t0，其中 ED 0是传感器每单位时间的能耗。然后，在第 n 个估计周期传感器 s 的总能耗为：(5)第 n 个估计周期结束时传感器 s 的剩余能量为：其中，ER s(n-1)是传感器 s 在第(n-1)个估计周期结束时的剩余能量。图1 工业网络系统中能量感知的调度与机会传输架构如何提高估计性能对于工业网络系统至关重要。近年来，众多学者研究状态估计算法以减轻传输不可靠性对状态估计精度的影响。首先，文献 10 提出了一种低复杂度的次优状态估计算法以最小化均方误差。其次，文献 11提出了一种分布式状态估计算法以应对非高斯噪声下的状态估计问题。然后，针对传感器故障对状态估计性能的负面影响，文献 12 开发了一种状态估计策略，以减轻这种影响。上述工作主要集中于设计状态估计算法以减轻不利传输环境对状态估计性能的影响。然而，由于频谱资源的限制，大量传感器同时传输感知数据可能会导致严重的网络拥塞，进而使得估计性能显著恶化13。因此，面对有限的通信资源，如何提高资源利用率对于实现高精度的状态估计至关重要。传感器调度是一种潜在的解决方案。首先，传感器调度策略的设计能够有效降低传输时延。文献 14 提出了一种基于优先级感知分组传输的传感器调度策略以优化资源分配并最小化平均传输时延。文献 15 设计了一种传感器调度算法以避免传输干扰并最大限度地减少数据聚合的时延。其次，有效的调度策略能够提高感知数据的传输性能以降低估计误差，文献 16 联合优化传感器调度和任务卸载以最小化状态估计的均方误差。上述工作中所提出的传感器调度策略能够避免传输拥塞，但没有考虑传感器的能量消耗。这将导致部分传感器频繁地参与状态估计，致使其电池能量被快速耗尽，从而无法再参与感知数据的传输。然而，参与状态估计的传感器数量的减小将显著降低估计精度。文献 17 表明在工业网络系统中关注传感设备的能量损耗是重要的。因此，急需将传感器的能量消耗集成到传感器调度策略中，以延长传感器工作时长，提升感知精度。针对上述问题，本文提出了一种用于工业网络系统的基于能量感知的传感器调度和机会传输方案。首先，采用估计误差和能量损耗的加权和来评估多传感器状态估计的总成本。其次，设计了一种基于估计误差比率的传感器调度算法来确定传感器的调度策略。最后，提出了一种机会式传输方案来确定被调度的传感器参与数据传输的状态。1 系统模型与问题表述1.1 通信模型本文所考虑的工业网络系统由一个边缘估计器和 S 个传感器组成，如图 1 所示，其中所部署的传感器都具有感知与传输功能。该系统执行监测任务的持续时间为 T，其中包括N 个估计周期，每个估计周期的持续时间为 t0。可用的频谱乔泽鑫,吕玲,戴燕鹏:面向工业网络系统状态感知的机会式传输策略第47卷总第516期182023年8月第8期“面向6G的物联网技术”专题1.2 状态估计模型所考虑的离散线性时不变的控制系统表示为：(7)(8)其 中，表 示 在 第 n 个 估 计 周 期 的 系 统 状 态；表示传感器 s 在第 n 个估计周期的测量输出值；表示状态转移矩阵；表示传感器 s 的测量矩阵。和分别表示系统噪声和过程噪声，并且二者均值为零，方差分别为 Qw和 Qv。由于恶劣的工业环境，边缘估计器可能无法成功接收所有原始测量值。引入变量 gs(n)表示边缘估计器是否成功接收传感器 s 所传输的感知数据，即：(9)此外，由于频谱和能量资源的限制，只有一部分传感器接受调度请求并参与数据传输。边缘估计器在第 n个估计周期的可用观测值表示为：(10)其中，。然后，边缘估计器执行状态估计得到的估计值为：(11)其中，是边缘估计器的聚合观测值，是聚合观测矩阵，这里，F 是观测的校正矩阵。状态估计误差被定义为系统实际状态 x(n)与估计值(|)x n n之间的差值，即：(12)其中，TTT11()()()(),()()SSv nn g n vngn vn=。在本文中，均方估计误差的迹22Tr()()e n被视为估计成本，并用于评估状态估计的精度。1.3 问题表述为了更好地平衡工业网络系统中的估计成本和能量成本，本文引入均方估计误差和能耗的加权和以衡量状态估计的总成本，其表达式为：(13)其中，0()/()ssnn=表示加权因子；0为加权系数；RR()()/(0)sssnEnE=表示能量比系数。根据表达式可知，加权因子 s(n)可以根据传感器 s 在第 n 个估计周期的剩余能量进行权重调整，当传感器 s 的剩余能量越低时，能量成本在总成本中的占比越大。该频谱和能量资源约束的总成本最小化问题可表示为：(14)其中，pmax是传感器的最大发射功率；ER min是传感器的最小剩余能量；约束 C1 表示在每个估计周期接受调度请求的传感器数量不能超过子载波数量；约束 C2 表示每个子载波只能分配给一个传感器；约束 C3 表示单子载波通信；约束 C4 表示传感器的发射功率不能超过最大发射功率；约束 C5C7 分别表示指示变量的可行范围；约束 C8 表示没有足够剩余能量的传感器不能被调度。2 联合设计传感器调度和机会传输问题 P0由于包括非线性目标函数和混合整数变量，因此是一个混合整数非线性规划问题难以直接求解。为了解决问题 P0，首先，将时间累积问题分解为 N 个子问题，在每个估计周期去最小化瞬时总成本(n)；其次，根据传感器调度和数据传输在时间上的顺序关系，将瞬时问题分解为传感器调度子问题和机会传输子问题；最后，所提出的传感器调度和机会传输方案可以有效地解决原问题。2.1 传感器调度给定传感器的参与情况 bs(n)和感知数据的接收状态gs(n)，传感器调度子问题可以表示为：(15)问题 SP1是一个非凸问题。为了有效地解决该问题，本文引入了一种新的性能指标来衡量调度一个传感器对减少估计误差的贡献。该性能指标被称为估计误差比率，其定义为，其中，0()()|()0ssse ne na n=表示传感器s没有被调度时的估计误差，1()()|()()()1ssssse ne na n b n g n=表传感器 s 被调度并参与数据传输时的估计误差。通过该性能第47卷总第516期19 2023年8月第8期 (17)其中，表示被调度的传感器集合；约束 C10 表示传输时延约束。问题 SP2是一个混合整数非线性规划问题。为了有效解决该问题，提出了传感器参与情况、子载波分配和功率控制的联合优化，如下所示：（1）传感器参与情况：如果传感器 s 接受边缘估计器的调度请求并参与感知数据传输能够使总成本降低，那么令 bs(n)=1。否则，bs(n)=0。因此，在给定子载波分配和发射功率时，传感器的参与情况由式(18)给出：(18)其 中，表 示 传 感器 s 接受调度请求并参与感知数据传输时的总成本；表示传感器 s 拒绝调度请求时的总成本。（2）子载波分配：在给定传感器的参与情况和发射功率时，问题 SP2的目标函数中的估计误差项是常数。此外，子载波分配策略只影响传感器的传输能耗。因此，子载波分配问题可以表示为：(19)其中，S表示接受边缘估计器调度并参与感知数据传输的传感器集合。问题 SP2.1是一个二进制整数规划问题。分支定界法作为求解二进制整数规划问题的经典方法，本文采用该方法来求解该问题，并获得了最优的子载波分配策略。（3）功率控制：在给定传感器的参与情况和子载波分配时，功率控制子问题可以表示为：,m2.2ax0min()()()()s.t.C4:()()(),:C10:()(),ss ks kspsks ks kskssndn pn t ndn pnb n psb n t nsSPt SKKSS (20)指标，问题 SP1可以转化为：(16)问题 SP1.1是一个二进制整数规划问题，可以通过穷举法获得最优解。但是，穷举法具有指数级的复杂度，因此，本文设计了一种基于估计误差比率的传感器调度算法来高效地解决该问题，其计算复杂度为 O（S）。算法流程如下所示：算法 1 基于估计误差比率的传感器调度算法输入：子载波个数 K、估计误差 e(n-1)和剩余能量 ER(n-1)；输出：传感器调度集合 Sc；初始化：cS=；1：for 集合 S 中的传感器 s do2：根据公式(12)计算和；3：更新估计误差比率 s(n)；4：if then5：s(n)置为正无穷大；6：将传感器 s 从集合 S 中移除；7：end if8：end for9：第 n 个估计周期的估计误差 e(n)置为 e0(n)；10：if 集合 S 非空集 then11：可调度的传感器数量 N0=min K，|S|；12：while|Sc|N0 do13：将集合 S 中估计误差比率最小的传感器 s0移除并添加到传感器调度集合 Sc中；14：更新传感器 s0在第 n 个估计周期的估计误差置为；15：end while16：else17：跳出循环；18：end if2.2 机会传输在获得传感器调度策略后，总成本(n)中的估计误差项仅取决于传感器的参与情况指示变量 bs(n)和感知数据的传输状态指示变量 gs(n)。然而，这两个变量的高度耦合使得目标函数难于处理。为了解决该问题，本文引入一个时延约束来代替感知数据的传输状态（即），通过该时延约束可以消除两个变量的耦合关系。这种代替是合理的，因为感知数据的传输状态取决于其传输时延，如式(9)所示。基于上述变化，机会传输子问题可以表示为：乔泽鑫,吕玲,戴燕鹏:面向工业网络系统状态感知的机会式传输策略第47卷总第516期202023年8月第8期“面向6G的物联网技术”专题其中，问题 SP2.2的目标函数是关于变量 ps,k(n)的单调递增函数。因此，问题 SP2.2可以重写为：(21)其中，约束 C11 是传输时延约束的速率表达形式。问题SP2.3是一个凸问题，可以使用标准的凸优化求解器来解决（如 CVX）。因此，通过迭代优化传感器参与情况、子载波分配和功率控制可以有效地解决问题 SP2。3 仿真结果分析本节展示了数值仿真结果，以评估所提出的传感器调度与机会传输方案在平衡状态估计性能和能耗方面的有效性。考虑三种对比方案作为性能比较。第一种是基于蛮力搜索的调度与机会传输方案，该方案执行蛮力搜索方法来获得问题 SP2的最优解；第二种是调度与强制传输方案，该方案中被调度的传感器必须参与感知数据传输；第三种是固定发射功率的调度与机会传输方案，该方案不考虑传感器的能耗成本，仅以最小化估计误差为目标。不同方案的性能比较是基于矩形覆盖区域0,50m0,200m的网络拓扑进行评估的，其中部署了 S=20 个传感器，边缘估计器的位置坐标为 0,100,5m。此外，可用的子载波数量为K=8，每个子载波的带宽为 B=180 kHz，传感器的最大发射功率为 pmax=15 dBm，传感器的初始能量为 ER(0)=20 mJ，休眠能耗 ED 0=0.1 mJ/s。一个估计周期的持续时间 t0=100 ms。图 2 是四种方案在总成本方面的比较结果图。可以看到，所有方案的总成本都随着状态估计持续时间的增长而增加。其原因是由于传感器的剩余能量随着状态估计持续时间的增长而减少，使得能够参与数据传输的传感器数量逐渐减少，进而使得总成本中的估计误差项逐渐增加而导致总成本逐渐增加。此外，调度与强制传输方案的总成本增加最快。而文中所提方案的总成本与基于蛮力搜索所得的最优解方案基本一致，由此可见本文所提方案能够获得原问题的近似最优解。图 3 是四种方案在估计误差方面的比较结果图。可以看到，调度与强制传输方案和固定发射功率的调度与机会传输方案由于没有考虑传感器的能量成本，导致这两种方案的估计误差增长幅度随着估计持续时间的增加远大于其他两种方案。N总成本图2 不同状态估计持续时间下的总成本N估计误差图3 不同状态估计持续时间下的估计误差图 4 是四种方案在能耗方面的比较结果图。可以看到，所有方案的能耗随着状态估计持续时间的增加而降低。这是因为权重因子随着传感器的剩余能量的减少而增加，这驱使传感器节省能量并减少参与数据传输的次数。N能耗（J）图4 不同状态估计持续时间下的能耗第47卷总第516期21 2023年8月第8期4 结束语针对工业网络系统中的估计误差和传感器能耗问题，本文提出了能量感知的传感器调度和机会传输方案，有效地解决传感器调度、参与数据传输决策、频谱分配和功率控制问题，实现了状态估计总成本最小化。仿真结果表明，所提方案在降低总成本方面具有显著优势。未来工作将继续在工业网络系统中，借助协作传输技术以进一步开展低能耗的状态估计研究。参考文献：1 黄颖,于青民,李宗祥,等.5G 在工业互联网领域的应用进展J.移动通信,2022,46(1):41-45.2 王恒,余蕾,谢鑫.基于信息年龄的工业无线传感器网络混合数据调度方法 J.电子与信息学报,2023,45(3):1065-1073.3 赵研.基于自适应巡视算法的工业物联网异常行为检测 J.移动通信,2021,45(2):100-103.4 鲁延鹏,戴金晟,牛凯.面向工业网络的语义通信关键技术 J.移动通信,2023,47(4):18-24.5 Mao W,Zhao Z,Chang Z,et al.Energy-Efficient Industrial Internet of Things:Overview and Open IssuesJ.IEEE Transactions on Industrial Informatics,2021,17(11):7225-7237.6 Yang Z,Wang R,Wu D,et al.Local Trajectory Privacy Protection in 5G Enabled Industrial Intelligent LogisticsJ.IEEE Transactions on Industrial Informatics,2022,18(4):2868-2876.7 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):25-36.8 Tang M,Cai S,Lau VKN.Over-the-Air Aggregation With Multiple Shared Channels and Graph-Based State Estimation for Industrial IoT SystemsJ.IEEE Internet of Things Journal,2021,8(19):14638-14657.9 Liu M,Liu L,Song H,et al.Signal Estimation in Underlay Cognitive Networks for Industrial Internet of ThingsJ.IEEE Transactions on Industrial Informatics,2020,16(8):5478-5488.10 Xu L,Mo Y,Xie L.Remote State Estimation With Stochastic Event-Triggered Sensor Schedule and Packet DropsJ.IEEE Transactions on Automatic Control,2020,65(11):4981-4988.11 Wang G,Yang C,Ma L,et al.Centralized and Distributed Robust State Estimation Over Sensor Networks Using Elliptical DistributionJ.IEEE Internet of Things Journal,2022,9(21):21825-21837.12 Yang G,Rezaee H,Serrani A,et al.Sensor Fault-Tolerant State Estimation by Networks of Distributed ObserversJ.IEEE Transactions on Automatic Control,2022,67(10):5348-5360.13 Zhao G,Imran MA,Pang Z,et al.Toward Real-Time Control in Future Wireless Networks:Communication-Control Co-DesignJ.IEEE Communications Magazine,2019,57(2):138-144.14 Lin F,Dai W,Li W,et al.A Framework of Priority-Aware Packet Transmission Scheduling in Cluster-Based Industrial Wireless Sensor NetworksJ.IEEE Transactions on Industrial Informatics,2020,16(8):5596-5606.15 Gao Y,Li X,Li J,et al.Distributed and Efficient Minimum-Latency Data Aggregation Scheduling for Multichannel Wireless Sensor NetworksJ.IEEE Internet of Things Journal,2019,6(5):8482-8495.16 Lyu L,Zhao L,Dai Y,et al.Adaptive Edge Sensing for Industrial IoT Systems:Estimation Task Offloading and Sensor SchedulingJ.IEEE Internet of Things Journal,2023,10(1):391-402.17 Qian L,Wu Y,Jiang F,et al.NOMA assisted Multi-task Multi-access Mobile Edge Computing via Deep Reinforcement Learning for Industrial Internet of ThingsJ.IEEE Transactions on Industrial Informatics,2020.乔泽鑫：大连海事大学在读硕士研究生，研究方向为工业网络系统感知与传输设计。吕玲：博士毕业于上海交通大学，现任大连海事大学副教授、硕士生导师，主要研究方向为无线资源管控技术以及物联网在工业控制领域的应用。戴燕鹏：博士毕业于西安电子科技大学，现任大连海事大学副教授、硕士生导师，主要研究方向为异构无线网络组网方法、海上立体异构无线网络等。作者简介乔泽鑫,吕玲,戴燕鹏:面向工业网络系统状态感知的机会式传输策略