工业系统时延控制方法、装置及非易失性存储介质

1.本技术涉及网络通信技术领域，具体而言，涉及一种工业系统时延控制方法、装置及非易失性存储介质。


背景技术：

2.随着现代工业的快速发展，传统有线控制系统已经无法满足生产发展的需要，而具有可移动性、高灵活性的无线网络能够很好地弥补有线控制系统的不足，因此近年来被广泛尝试应用于工业领域，然而由于工业设备所处的环境较为复杂，无线信号的传输过程会受到众多不稳定因素的干扰，周边环境的任意变化都将映射并且被放大在信道传递函数的扰动上，会使得无线电波与周边环境发生交互作用而构成多径衰落信道，显然信号经过非平稳衰落信道后，其传输延时将受到时变信道容量的影响，呈现出非平稳时变的特征，严重降低控制系统的安全性和可靠性。
3.目前，现有技术中仅通过将时延最小化使控制系统正常工作，而没有考虑时延抖动对工业控制系统性能的影响，造成工业控制系统性能低、稳定性差的技术问题。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种工业系统时延控制方法、装置及非易失性存储介质，以至少解决由于现有技术仅通过将时延最小化使控制系统正常工作，而没有考虑时延抖动对工业控制系统性能的影响，造成工业控制系统性能低、稳定性差的技术问题。
6.根据本技术实施例的一个方面，提供了一种工业系统时延控制方法，包括：获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据。
7.可选地，获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据包括：确定目标模型，并依据初始时延分布数据，确定目标模型的目标参数与目标函数；利用目标参数和目标函数对初始时延分布数据进行表征，得到第一目标时延分布数据。
8.可选地，目标参数包括基函数个数和与基函数对应的权值向量，目标函数包括基函数，依据初始时延分布数据，确定目标模型的目标参数与目标函数包括：依据初始时延分布数据，确定基函数个数和基函数；依据初始时延分布数据和约束条件对目标模型进行运算处理，得到目标关联关系，其中，关联关系用于表征权值向量和与初始时延分布数据间的动态关系；依据目标关联关系，确定与基函数对应的权值向量。
9.可选地，依据性能指标生成控制数据包括：确定性能函数；依据性能函数对性能指标进行最小化处理，得到控制数据。
10.可选地，依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据包括：获取控制数据，并依据控制数据对发射功率进行控制，其中，发射功率用于控制时延分布数据的变化；调节基函数的均值向量直至第一目标时延分布数据的分布位置与期望时延分布数据的分布位置一致；调节与基函数对应的权值向量直至第一目标时延分布数据与期望时延分布数据的性能指标在预设阈值内；确定调节后的第一目标时延分布数据为第二目标时延分布数据。
11.可选地，方法还包括：获取第一周期的第一控制数据；在第二周期内，依据第一控制数据对第一目标时延分布数据进行调节，其中，第二周期为紧邻第一周期的后一个周期；比较调节后的第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成第二控制数据。
12.可选地，方法还包括：在性能指标满足预设条件的情况下，确定调节后的第一目标时延分布数据为第二目标时延分布数据。
13.根据本技术实施例的另一个方面，还提供了一种工业系统时延控制装置，包括：数据确定模块，用于获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；数据比较模块，用于比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；迭代控制模块，用于依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据。
14.根据本技术实施例的又一方面，还提供了一种电子设备，电子设备包括处理器，处理器用于运行程序，其中，程序运行时执行工业系统时延控制方法。
15.根据本技术实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行工业系统时延控制方法。
16.在本技术实施例中，采用不断进行迭代控制逼近期望时延分布数据的方式，通过获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据，达到了对时延分布数据进行整体控制的目的，进而解决了由于现有技术仅通过将时延最小化使控制系统正常工作，而没有考虑时延抖动对工业控制系统性能的影响，造成工业控制系统性能低、稳定性差技术问题。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例提供的一种工业系统时延控制的方法流程的示意图；
19.图2是根据本技术实施例提供的一种基于迭代学习的时延概率密度分布控制的方法流程示意图；
20.图3是根据本技术实施例提供的一种双层闭环反馈控制结构的总体控制流程的示
意图；
21.图4根据本技术实施例提供的一种包含初始、经过第1个控制周期后的时延概率密度分布以及目标分布曲线的示意图；
22.图5是根据本技术实施例提供的一种均值向量控制阶段的性能指标e1的变化过程的示意图；
23.图6是根据本技术实施例提供的一种对权值向量进行控制之初以及对权值向量控制结束后时延概率密度分布之间的曲线对比示意图；
24.图7是根据本发明实施例提供的一种工业系统时延控制装置的结构示意图；
25.图8是根据本技术实施例提供的一种用于实现工业系统时延控制的方法的计算机终端(或电子设备)的硬件结构框图。
具体实施方式
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
27.为了方便本领域技术人员更好地理解本技术实施例，现将本技术实施例涉及的部分技术术语或者名词解释如下：
28.matlab：一种商业数学软件，用于数据分析、无线通信、深度学习等领域。
29.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.实施例1
31.根据本技术实施例，提供了一种工业系统时延控制的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.图1是根据本技术实施例提供的一种工业系统时延控制的方法流程的示意图，如图1所示，该方法包括如下步骤：
33.步骤s102，获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；
34.在本技术的一些实施例中，获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据包括：确定目标模型，并依据初始时延分布数
据，确定目标模型的目标参数与目标函数；利用目标参数和目标函数对初始时延分布数据进行表征，得到第一目标时延分布数据。
35.其中，目标参数包括基函数个数和与基函数对应的权值向量，目标函数包括基函数，依据初始时延分布数据，确定目标模型的目标参数与目标函数包括：依据初始时延分布数据，确定基函数个数和基函数；依据初始时延分布数据和约束条件对目标模型进行运算处理，得到目标关联关系，其中，关联关系用于表征权值向量和与初始时延分布数据间的动态关系；依据目标关联关系，确定与基函数对应的权值向量。
36.在本实施例中，上述第一格式的初始时延分布数据为实际工业场景中接收到的呈现非高斯型分布的时延概率密度分布，上述第二格式的第一目标时延分布数据为利用混合高斯模型对上述非高斯型分布的时延概率密度分布进行建模后的时延概率密度分布，上述目标模型为混合高斯模型。
37.在本实施例中，采用混合高斯模型来对工业无线网络中的时延概率密度分布进行了机理建模，具体地，假设时延概率密度分布是连续且有界的，那么采用混合高斯模型对时延概率密度分布所构建的数学模型如公式(1)所示：
[0038][0039]
上式中，γk(τ,u(i))表示时延概率密度分布，其中，τ表示传输时延，u(i)∈r为控制变量，表示数据包的发射功率；i表示采样时间，e0(k)表示建模结果与实际时延分布之间的拟合误差，c
1,k
(τ)＝[r
1,k
(τ),r
2,k
(τ),
…
,r
n-1,k
(τ)]代表前n-1个高斯基函数所组成的基函数向量，其中r
n,k
(τ)表示第n个高斯基函数；vk(i)＝[ω
1,k
(i),ω
2,k
(i),
…
,ω
n-1,k
(i)]
t
表示与前n-1个基函数相对应的权值向量，ω
n,k
表示第n个高斯基函数的权重；μ
n,k
和σ
n,k
分别为第n个高斯基函数的均值和方差。
[0040]
从公式(1)可以看出，在利用混合高斯模型对时延概率密度分布进行数学建模的过程中，其基函数向量c
1,k
(τ)所包含的基函数个数是确定的，并且这一数目的选择需要具有合理性：若基函数数目过多会使得迭代过程中计算量繁重从而导致控制效率低下；若数目过少会使得混合高斯模型对时延概率密度分布的拟合不准确，使得逼近结果的误差过大，最终将会导致控制结果难以达到目标要求。因此，依据初始时延分布数据，确定一个合理的基函数个数；
[0041]
在上述基函数个数合理的情况下，逼近误差e0(k)足够小可以忽略不计，同时，由于概率密度分布需要满足在坐标区间内积分为1的要求，可得时延概率密度分布需要满足公式(2)所示的约束条件：
[0042][0043]
将公式(1)代入到公式(2)中，同时对其进行展开可得公式(3)，如下所示：
[0044]vkt
(i)σ
0vk
(i)+2σ
1vk
(i)ωn(i)+σ2ωn(i)2＝1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0045]
其中，通过进行数学运算后，第n个权重ωn(i)可根据前n-1个权重的非线性函数h(vk(i))表示出来，如公式(4)所示：
[0046][0047]
其中，σ3＝σ2σ
0-σ
1t
σ1。
[0048]
上式(4)表明，高斯混合模型的第n个权重ω
n,k
(i)可由前n-1个权重的非线性函数h(vk(i))来表示。那么将公式(1)重新整理可以得到时延概率密度分布的矩阵形式，如公式(5)所示：
[0049][0050]
接着，将公式(5)的两边分别左乘[c
1,k
(τ),r
n,k
(τ)]
t
，并在时延的定义域[a,b]上进行积分，可以得到公式(6)，如下所示：
[0051][0052]
其中，当矩阵非奇异时，通过移项可转化为公式(7)所示。
[0053][0054]
公式(7)表示混合高斯模型的权值向量与时延概率密度分布之间的动态关系(即上述目标关联关系)。当时延概率密度分布可以通过测量得到，同时高斯基函数也确定时，可以通过公式(7)来得到相应的权值向量。
[0055]
综上，完成了对工业无线网络中时延概率密度分布的数学建模，如公式(8)所示，另外，由于数学建模方法对概率密度分布的逼近不可避免地会存在误差，因此时延的概率密度分布应使用其估计形式来表示。
[0056][0057]
步骤s104，比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；
[0058]
在本技术的一些实施例中，依据性能指标生成控制数据包括：确定性能函数；依据性能函数对性能指标进行最小化处理，得到控制数据。
[0059]
在本实施例中，上述性能函数可写为公式(9)所示：
[0060]
j＝(n(y)-g(y))2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0061]
其中，n(y)代表工业无线网络的时延概率密度分布，g(y)代表目标分布。性能函数j为两个分布之差的二次型形式，通过设计控制算法来对性能函数j进行最小化控制，进而实现时延分布对目标分布进行逼近的控制目标。
[0062]
为了实现时延分布对目标分布进行逼近的控制目标，可以将公式(9)所示的泛化的性能函数具体写为公式(10)所示，其中，为了保持与时延分布建模方式的一致性，将目标分布同样写为平方根模型，即μn和μ
mean,g
分别代表时延概率密度分布与
目标分布的基函数均值：
[0063][0064]
具体地，公式(10)使用了差值二次型的形式，并且第一项通过将二次型进一步在时延定义域[a,b]上进行积分，来表明对于权值向量进行控制的性能结果；第二项通过比较时延概率密度分布与目标分布的基函数均值，接着将二者差值进行累加的方式来表明对于时延分布位置的控制结果(即上述控制数据)。
[0065]
步骤s106，依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据。
[0066]
依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据包括：获取控制数据，并依据控制数据对发射功率进行控制，其中，发射功率用于控制时延分布数据的变化；调节基函数的均值向量直至第一目标时延分布数据的分布位置与期望时延分布数据的分布位置一致；调节与基函数对应的权值向量直至第一目标时延分布数据与期望时延分布数据的性能指标在预设阈值内；确定调节后的第一目标时延分布数据为第二目标时延分布数据。
[0067]
在本技术的一些实施例中，方法还包括：获取第一周期的第一控制数据；在第二周期内，依据第一控制数据对第一目标时延分布数据进行调节，其中，第二周期为紧邻第一周期的后一个周期；比较调节后的第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成第二控制数据。
[0068]
在本技术的一些实施例中，方法还包括：在性能指标满足预设条件的情况下，确定调节后的第一目标时延分布数据为第二目标时延分布数据。
[0069]
依据公式(10)所示的性能函数可以看出，需要从两方面着手控制时延的概率密度分布。首先，由于在给定任意一个目标分布后，系统实际输出的时延分布大概率不会与它重合，因此首先需要控制时延的分布位置，即对应于性能函数中的第二项。否则，无论后面如何设计控制算法也难以实现对目标分布的逼近。接着，在分布位置调整到与目标分布基本一致后，再通过重新分配权重向量的方法，即对应于性能函数的第一项，来最终实现时延分布对目标分布的逼近。
[0070]
具体地，对于一个时延概率密度分布来说，基函数及相对应的权值向量决定了其具体形状，因此给定任意一个目标分布(即上述期望时延分布数据)，需要从两方面着手来达到时延概率密度分布对目标分布的逼近，即一方面是对高斯基函数的控制，另一方面是对相应权值向量的控制。其中对基函数的控制方法在于调整均值和方差以改变其位置和宽度；对权值向量的控制在于调整各个权重的所占比例。从拟合精度这一角度来说，可以通过增加基函数数目的方法来换取对于方差控制要求的放松。因此，在合理选择高斯基函数的数目之后，对于高斯基函数的控制目标在于调整各个基函数的均值，以实现在分布位置上对于目标分布的逼近。当时延概率密度分布与目标分布在分布位置上基本一致后，再调整权重比例来实现时延概率密度分布对目标分布进一步逼近的效果。
[0071]
在本实施例中，工业无线网络被建模为一个闭环反馈系统，控制变量为发射功率，因此，首先通过控制发射功率来调整时延的分布位置，由于系统实际输出的时延分布由混合高斯模型来近似表示，因此对于时延分布位置的调整，需要分别控制各个基函数的均值。
当发射功率是基于对某一个基函数的均值进行控制时，由于不确定多径衰落信道对发射信号的影响，使得控制对象与目标之间不可避免地会存在误差，为了消除误差，将闭环反馈控制过程分为一系列的周期并将其作为控制单位，通过多个周期的迭代来不断缩小时延分布与目标分布之间的误差。
[0072]
图2是根据本技术实施例提供的一种基于迭代学习的时延概率密度分布控制的方法流程示意图，如图2所示，在本实施例中，使用双层闭环反馈控制系统，包括上层结构s202和下层结构s204。
[0073]
上层结构s202,包括在每个周期中所进行的迭代学习控制过程，输入包括目标分布以及接收端实际输出的时延概率密度分布的数学近似表示二者进入迭代学习控制器后将会得到下一周期的控制目标：μk(均值向量)或ωk(权值向量)；
[0074]
下层结构s204,包括根据上层结构输出的控制目标来调整发射功率，在发射一定数目的数据包后，接收端经过统计计算后将会再次得到时延概率密度分布的估计并将其返回到上层结构中。
[0075]
具体地，在每个周期里，首先在上层控制结构中，运用迭代学习算法先控制高斯基函数的均值，再控制权值向量；在下层控制结构中，通过调整发射功率来控制时延的大小，在发射一定数目的数据包后，可以得到本周期的时延概率密度分布。图3是双层闭环反馈控制结构的总体控制流程示意图，如图3所示，图中pdf表示时延分布数据。在上下层的联合控制下最终实现对目标分布的逼近，也即完成了对时延概率密度分布的控制。
[0076]
下面分别对上层结构和下层结构中的控制算法进一步进行介绍。
[0077]
上层结构s202,包括在每个周期中所进行的迭代学习控制过程，输入包括目标分布以及接收端实际输出的时延概率密度分布的数学近似表示二者进入迭代学习控制器后将会得到下一周期的控制目标：μk(均值向量)或ωk(权值向量)；
[0078]
在本实施例中，上层结构在每一个周期中，利用迭代学习控制方法对高斯基函数的控制过程分为两部分内容：第一，调整基函数的均值；第二，调整各个基函数相对应的权重。在上层控制结构中，将接收端经过统计得到的估计时延概率密度分布作为输入量，接着将其与目标分布进行比较，进而形成了闭环控制的性能指标，利用性能函数对性能指标进行最小化控制。通过最小化性能函数而得到的控制目标更新值(μ
k+1
或ω
k+1
)将会作为下层结构的控制输入，进而指导发射端对发射功率的控制过程。通过发射若干个数据包，使得接收端得到的时延概率密度分布的各项参数能够不断逼近本周期的控制目标值。然而，在每个周期依次经过了上层控制和下层控制之后，时延概率密度分布的均值向量或者权值向量与期望目标值之间不可避免地依然会存在着误差，此时利用迭代学习的方法对这一输出误差进行控制。
[0079]
具体地，在每一个周期中，通过迭代控制对高斯基函数的均值向量进行调节，可以实现对时延概率密度分布的第一步控制目标，如公式(11)所示。这一控制机制表明，第k个周期的控制目标将会由第k-1个周期的控制输入以及校正项所决定，通过周期之间不断地迭代来逐步提高闭环反馈系统的控制性能：
[0080]
μk＝μ
k-1
+λ
μe1,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0081]
上式中，λ
μ
代表对于均值向量进行迭代控制的学习速率；校正项e
1,k
代表经过上一周期的控制之后各个高斯基函数的均值与目标分布均值之间的差值之和，表示上一周期中闭环控制的性能情况，如公式(12)所示：
[0082][0083]
为了保证迭代控制的效果是不断提升的，需要在上层控制过程中将时延概率密度分布的位置首先调整好，否则后续对权值向量的控制过程将难以达到对目标分布的逼近。因此，e
1,k
作为上层控制过程的性能指标应呈现递减特性，这意味着控制算法需满足以下条件，如公式(13)所示：
[0084]
δe
1,k
＝e
1,k-e
1,k-1
≤0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0085]
从公式(12)中，可以看出性能指标e
1,k
是一个二次函数。由二次函数的性质可知，其在定义域内存在一极值点；又因为e
1,k
恒大于0，所以性能指标e
1,k
存在一极小值点。选取合适的学习速率λ
μ
，在经过若干周期的迭代学习控制使得校正项e
1,k
不再减小，也即δe
1,k
》0后，上层结构对均值向量的控制结束，接着开始进入第二阶段对于权值向量的控制过程。
[0086]
在对时延概率密度分布的均值向量控制结束后，基函数的位置与目标分布已经基本一致。因此，接下来对时延概率密度分布的控制，在于实现时延概率密度分布的权值向量，与目标分布的权值向量基本一致。
[0087]
对权值向量的控制机制如公式(14)所示：
[0088]
ωk＝ω
k-1
+λ
ωe2,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0089]
其中，λ
ω
代表对权值向量进行迭代控制的学习速率，并且λ
ω
中每个元素的正负性表示上层结构对于相应权重的控制方向。e
2,k
表示接收端的时延概率密度分布与目标分布之间的差值，表明上一周期对权值向量控制的性能情况，如公式(15)所示：
[0090][0091]
选择实际时延分布的权值向量与目标权值向量之间差值的最大项所对应的权重作为下一周期的控制目标，同时确定对此权重进行控制的方向，由此可以得到学习速率λ
ω
。
[0092]
同样的，上层控制算法应保证性能指标e
2,k
一直减小，以使得系统实际输出的时延概率密度分布能够逐渐逼近目标分布。
[0093]
下层结构s204,包括根据上层结构输出的控制目标来调整发射功率，在发射一定数目的数据包后，接收端经过统计计算后将会再次得到时延概率密度分布的估计并将其返回到上层结构中。
[0094]
在本实施例中，m代表发射了多少个数据包；p
t
(i+1)代表发射功率，pd代表路径损耗，pf(i+1)代表工业多径衰落信道的衰落强度，n代表接收端的噪声；μ代表时延概率密度分布的均值，b代表信号带宽。
[0095]
在本实施例中，上层结构和下层结构之间的耦合量是下一周期的控制目标值：高斯基函数的均值向量μk和权值向量ωk，将其统一定义为控制目标值xk。它们将会作为本周期下层结构中控制对象的目标值，通过控制发射功率来调整数据包在经过衰落信道之后在接收端所形成的时延大小，从而使得发射端在发送完毕一定数目的数据包之后，接收端经
过统计得到的时延分布中基函数的均值向量，或者权值向量能够不断逼近目标值xk。
[0096]
具体地，在给定一个莱斯衰落信道的前提下，通过遍历该信道的全局信息可以得到其信道衰落的状态概率转移矩阵p。根据一阶马尔可夫链未来状态概率仅依赖于当前状态的性质，在已知此时刻衰落信道的状态概率p(i)后，利用状态概率转移矩阵信息可以预测出下一时刻的状态概率p(i+1)。
[0097]
在每个周期中，下层控制结构根据上层结构输入的控制目标值xk，对比自身目前时延分布中控制对象(均值向量或权值向量)的实际情况，在向量xk中动态选择出一个具体控制目标值x
*
，从而建立起发射过程的优化方程然后通过最优化算法计算得出此次发射过程中发射功率的最优解，在经过多次发射过程后能够实现对本周期控制目标值的不断逼近。
[0098]
以控制目标值μk为例，利用混合高斯模型对初始时延分布进行数学建模之后，可以得到该分布中由各个基函数的均值所组成的均值向量μk＝[μ
1,k
,μ
2,k
,
…
,μ
n,k
]
t
。对于下一时刻的发射过程所建立的优化方程为公式(16)所示：
[0099][0100]
其中，μ
*
为下一时刻时延均值的控制目标。对上式进行最优化后，可以求得下一时刻发射功率p
t
(i+1)的最优解，如公式(17)所示，其中p
l
(i+1)＝pd+pf(i+1)，包括路径损耗和莱斯衰落强度两部分。
[0101][0102]
在本实施例中，使用信道衰落的数学期望来表征下一时刻真实的信道衰落强度，即其中pr(i+1)代表下一时刻第r个信道状态所出现的概率，p
f,r
代表第r个信道状态所对应的莱斯衰落增益。将pf′
(i+1)代入公式(17)中，可以得到发射功率的次优解p
t
′
(i+1)，如公式(18)所示：
[0103][0104]
其中，表示对于每个信道衰落状态p
f,r
，通过最优化所得到的发射功率最优解。
[0105]
在上层结构经过一次迭代控制后，可以得到时延概率密度分布的控制目标更新值xk，将其输入到下层控制结构中并定义为本周期下层控制过程的目标值x
ref
；同时输入到下层结构中的还有上一周期中被控对象的实际输出值x
k-1
，那么二者之间的差值可定义为xd＝x
ref-x
k-1
。通过迭代的方法依次采用最优原子选择策略，即每次迭代均以测量矩阵φ与本次差值矩阵xd的内积结果中最大值所对应的列向量作为候选控制目标。由于差值矩阵是一维的，于是可以将测量矩阵简单设计为一维向量[1,1,
…
,1]。对应到下层控制的每次发射过程中，将上层结构输出的均值向量的控制目标值μ
ref
与上一周期时延分布的均值向量μ
k-1
作差可以得到二者之间的差值矩阵μd：μd＝μ
ref-μ
k-1
，选取差值矩阵μd中最大值所对应的均值，即μ
*
＝max(μd)，作为下一时刻发射过程中优化方程的控制目标值μ
*
。
[0106]
将下一时刻的控制目标μ
*
代入到下层结构的性能函数，即公式(16)中。进而得到该优化方程的次优解，并将其作为下一时刻的发射功率，如公式(18)所示。每次发射过程结束后，在接收端利用混合高斯模型对时延分布进行数学建模，可以得到经过下层结构的一次控制过程后，时延概率密度分布的均值向量更新值μk′
(i)以及差值矩阵μd。不断重复选择差值矩阵中最大项所对应的均值作为控制目标值这一过程，在发射若干数目的数据包之后，时延概率密度分布的均值向量μk能够达到目标值μ
ref
。
[0107]
同理，当上层控制结构开始对时延概率密度分布的权值向量进行控制后，下层控制结构采取贪婪算法来确定下一时刻系统时延的控制目标值。将上层结构输出的权值向量更新值ωk作为下层结构的控制目标值ω
ref
。通过对比控制目标值ω
ref
与实际时延分布的权值向量ωk′
(i)，可以得到二者之间的差值矩阵：ωd＝ω
ref-ωk′
(i)，进而通过选取差值矩阵ωd中最大值所对应的基函数，来确定下一时刻所控的时延均值。
[0108]
通过上述步骤，通过获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据，达到了对时延分布数据进行整体控制的目的，进而解决了由于现有技术仅通过将时延最小化使控制系统正常工作，而没有考虑时延抖动对工业控制系统性能的影响，造成工业控制系统性能低、稳定性差技术问题。
[0109]
实施例2
[0110]
根据本发明实施例，还提供了一种工业系统时延控制方法的实施例。具体地，基于matlab部署数值仿真，针对所述工业系统时延控制方法进行验证。
[0111]
在本实施例中，无线衰落信道采用经典莱斯衰落信道，由matlab标准通信工具箱获得，其采样时间为100μs，最大多普勒频移为100hz，莱斯因子k＝2。数据包的传输功率范围在-12dbm和8dbm之间，信号传输过程中的路径损耗设置为-26db。传输的数据包的长度设置为800bits。
[0112]
在本实施例中，在给定一个目标分布(即上述期望实验分布数据)的前提下，初始任意一个时延概率密度分布(即上述初始时延分布数据)在经过双层闭环反馈控制系统之后，都能够逼近这一目标分布；就实际工业无线网络而言，希望系统的时延概率密度分布的方差能够尽量小，从而可以满足无线通信安全性和可靠性的要求。
[0113]
具体地，选择最简单的理想高斯分布作为控制系统的目标分布，记作选择最简单的理想高斯分布作为控制系统的目标分布，记作图4根据本技术实施例提供的一种包含初始、经过第1个控制周期后的时延概率密度分布以及目标分布曲线的示意图，如图4中由三角形状连接的曲线所示。
[0114]
发射端在发射一定数目的数据包后，将会在接收端得到初始的时延概率密度分布，其统计输出结果如图4中由圆圈形状连接的曲线所示。在时延概率密度分布可测的情况下，采用混合高斯模型对这一分布进行估计。首先，根据初始时延概率密度分布的形状确定高斯基函数的个数。那么根据初始时延概率密度分布的特性选取了三个高斯基函数对这一分布进行拟合，其均值向量为μ0＝[0.0243s,0.0307s,0.0362s]
t
。
[0115]
下面进行第1个控制周期。在初始时延概率密度分布以及相应的基函数确定之后，
接着求解得到与基函数相对应的权值向量为[v0(i),h(v0(i))]
t
＝[0.29,0.23,0.48]
t
。在上层控制结构中，通过迭代学习算法可以得出第1个周期(k＝1)对于均值向量的控制目标值，学习速率λ
μ
为[-0.18,-0.17,-0.16]
t
,校正项e1根据时延分布的均值向量与目标分布的均值向量之间的差值而得到，那么下一周期中均值向量更新为μ1＝[0.0230s,0.0286s,0.0345s]
t
。
[0116]
接着，下层结构根据上层结构输出的均值向量的控制目标μ1进行具体的控制操作，以使得接收端的时延概率密度分布能够达到本周期(k＝1)的控制要求。首先，将上层输入到下层的均值向量μ1作为本周期的控制目标值μ
ref
，计算得到均值向量的目标值与接收端实际输出之间的差值矩阵为μd＝[0.0010s,0.0018s,0.0016s]
t
。选择差值矩阵μd中最大值所对应的时延均值作为优化方程jpt的控制目标，即μ
*
＝0.0286s。接着，预测下一时刻衰落信道的衰落状态，并得到下一时刻的发射功率p
t
′
(i+1)。以该功率发射数据包通过衰落信道后将会在接收端得到时延τ(i)。与此同时，对接收端的时延再次进行统计处理，将会得到本次发射过程后的时延概率密度分布。
[0117]
在经过多次发射过程后，接收端的时延概率密度分布达到了本周期对于基函数均值向量的控制要求，如图4所示。图中的圆圈形状连接的曲线和短线形状连接的曲线展示了在第1个控制周期中依次经过上层结构和下层结构的控制之后，时延概率密度分布的变化情况。其中圆圈形状连接的曲线是初始的时延概率密度分布；短线形状连接的曲线是经过第1个控制周期后的时延概率密度分布，与各个基函数相对应的均值向量为μ1′
＝[0.0233s,0.0289s,0.0346s]
t
，基本达到了控制目标值μ1的要求。接着，下层结构将此时时延分布的均值向量反馈到上层结构中，上层结构将会根据控制算法得到下一周期的控制目标值。
[0118]
重复上述单位周期内的控制过程，当e
1,k
不再减小也即δe
1,k
》0时，表明此时已经完成了对均值向量的控制。图5是根据本技术实施例提供的一种均值向量控制阶段的性能指标e1的变化过程的示意图，如图5所示，可以看到在第10个周期(k＝10)之后，e1将会呈现上升趋势，这表明如果系统继续利用迭代学习算法对均值向量进行控制的话，控制算法将不再满足公式(13)所示的边界条件。因此在经过这一极小值点之后，上层结构将开始对时延概率密度分布的权值向量进行迭代控制。
[0119]
图6是根据本技术实施例提供的一种对权值向量进行控制之初以及对权值向量控制结束后时延概率密度分布之间的曲线对比示意图，如图6所示。对权值向量控制之初的时延分布也就是对均值向量控制结束后的分布。由于在控制均值向量阶段仅考虑了时延分布中基函数位置的移动，因此权值向量会呈现随机性特征。如星型形状连接的曲线所示，此时的权值向量为ω
10
＝[0.27,0.53,0.20]
t
，与目标分布的权值向量之间存在较大差距。在经过57个周期的迭代控制过程后，权值向量变为ω
57
＝[0.85,0.12,0.03]
t
，如圆圈形状连接的曲线所示，其中两个峰值被明显抑制下去，时延概率密度分布的权值向量与目标分布的权值向量基本一致，系统控制结束。
[0120]
实施例3
[0121]
根据本发明实施例，还提供了一种工业系统时延控制装置的实施例。图7是根据本发明实施例提供的一种工业系统时延控制装置的结构示意图。如图7所示，该装置包括：
[0122]
数据确定模块70，用于获取第一格式的初始时延分布数据进行格式转换处理，得
到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；
[0123]
数据比较模块72，用于比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；
[0124]
迭代控制模块74，用于依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据。
[0125]
需要说明的是，本实施例中所提供的工业系统时延控制装置可用于执行图1所示的工业系统时延控制方法，因此，对上述工业系统时延控制方法的相关解释说明也适用于本技术实施例中，在此不再赘述。
[0126]
根据本发明实施例，还提供了一种用于实现工业系统时延控制的方法的计算机终端的实施例。图8是根据本发明实施例提供一种用于实现工业系统时延控制的方法的计算机终端(或电子设备)的硬件结构框图。如图8所示，计算机终端80(或电子设备80)可以包括一个或多个(图中采用802a、802b，
……
，802n来示出)处理器(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器804、以及用于通信功能的传输模块806。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端80还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。
[0127]
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端80(或电子设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
[0128]
存储器804可用于存储应用软件的软件程序以及模块，如本技术实施例中的工业系统时延控制的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器804内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的工业系统时延控制的方法。存储器804可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器804可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端80。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0129]
传输模块806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端80的通信供应商提供的无线网络。在一个实例中，传输装置806包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置806可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0130]
显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端80(或电子设备)的用户界面进行交互。
[0131]
此处需要说明的是，在一些可选实施例中，上述图8所示的计算机设备(或电子设
备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图8仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或电子设备)中的部件的类型。
[0132]
需要说明的是，图8所示的工业系统时延控制的电子设备用于执行图1所示的工业系统时延控制的方法，因此上述工业系统时延控制的方法中的相关解释说明也适用于该工业系统时延控制的电子设备，此处不再赘述。
[0133]
根据本技术实施例，还提供了一种非易失性存储介质的实施例，该非易失性存储介质包括存储的程序，其中，在程序运行时控制该非易失性存储介质所在设备执行以下工业系统时延控制的方法：获取第一格式的初始时延分布数据进行格式转换处理，得到第二格式的第一目标时延分布数据，其中，第一目标时延分布数据由基函数和与基函数对应的权值向量表征；比较第一目标时延分布数据与期望时延分布数据得到性能指标，并依据性能指标生成控制数据；依据控制数据，对第一目标时延分布数据进行迭代控制，确定第二目标时延分布数据。
[0134]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0135]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0136]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0137]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0138]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0139]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。