监控蜂窝无线网络的频谱异常并训练频谱异常神经网络的制作方法

本发明涉及一种用于检测蜂窝无线网络、尤其是5g专用超可靠和低延迟通信(ultrareliableandlowlatencycommunication，urllc)网络中的频谱异常的监控系统和监控方法，该监控系统和监控方法包括射频(radiofrequency，rf)接收器和处理单元。进一步地，本发明还涉及一种用于训练频谱异常神经网络的训练系统和训练方法，其中，该训练系统和训练方法用在蜂窝无线网络、尤其是5g专用urllc网络中，并包括rf接收器和处理器。

背景技术：

当前，使用5gnr开发了一种新的蜂窝无线网络技术，该技术允许超可靠和低延迟通信。这些条件对于工业4.0环境中的自动化至关重要。

除了5gnr的总体开发之外，也有来自不同方面(例如一些公司)的开发5g专用蜂窝/移动无线网络的兴趣，该网络可用在受约束/受限区域(例如，公司的厂房)中，其中，5g专用网络在逻辑上和/或物理上与5g公用网络分离。

更详细地，在德国和一些其它国家，可以/将可以在厂房的受限区域内获取专用频谱(例如3.7ghz-3.8ghz)以安装和操作自己的5g专用网络。

然而，5g专用网络的安装和操作与法规要求相关，比如符合属性边界的最大发送方输出功率、预先对基站及其天线技术的规划和技术表征、以及容量规划/计算(频谱)。

然而，自己的5g专用网络利用专用频谱进行操作提供了以低延迟实现高度可靠/超可靠的数据通信的可能性，该数据通信可用于控制机器和模块化生产单元，也可用于控制自动移动的机器人和/或车辆。这允许高度灵活和模块化的生产线。

通常在无线技术的广泛领域中以及也在5g网络中，可能会在例如基站和终端设备之间出现干扰/中断/扰动或出现在空中路径上的任一种一般故障。在5g公用网络中，存在可容忍一定干扰敏感性的不同应用领域。

然而，当在公司厂房的受限区域的生产环境的应用领域中使用5g专用网络时，此类干扰可能会潜在地造成巨大损害，因此导致高额成本，对此必须避免，或至少非常快速地识别以便采取适当的对策。

在过去和现在，工业4.0环境中的无线通信基本上仅用于与安全无关的情况，并且大多数通过wifi/wlan来实现。迄今为止，尚未使用移动无线电技术或蜂窝无线网络(诸如umts(通用移动通信系统)和lte(长期演进))，因为它们通常无法私下操作，原因是umts或lte没有可用的专用频谱(到目前为止，只有很少的示例是已知的，在这些示例中，公共运营商已实现了针对工业4.0客户的专用网络)。

因此，在公司厂房的受限区域内安装和运行5g专用网络的基本目标是避免干扰，并且在无法完全避免干扰的情况下尽快识别干扰以便采取适当的对策。

技术实现要素：

因此，本发明的目的是非常快速地识别出在蜂窝无线网络中、尤其是在5g专用网络中出现的任何干扰/频谱异常。

该目的通过独立权利要求的特征来实现。从属权利要求进一步发展了本发明的中心思想。

本发明涉及一种用于检测蜂窝无线网络、尤其是5g专用urllc网络中的频谱异常的监控系统和监控方法，其中，该监控系统的rf接收器监控蜂窝无线网络的频谱并推导该蜂窝无线网络的频谱和/或频谱的物理测量值，以及该监控系统的处理单元执行通过机器学习算法在训练系统中训练的频谱异常神经网络，其中，该处理单元获得频谱和/或频谱的物理测量值并对其进行处理以检测频谱异常信息。

有利地，该监控系统还包括存储器，该存储器用于存储由rf接收器推导出的频谱和/或频谱的物理测量值，并且处理单元从该存储器获得频谱和/或频谱的物理测量值。

在优选实施方式中，rf接收器监控并推导随时间和频率变化的频谱以产生谱振图，其中，处理单元获得并处理该谱振图。可替选地或附加地，rf接收器推导每个时间单位随着频率变化的功率值作为频谱的物理测量值，其中，处理单元获得并处理每个时间单位随着频率变化的功率值。

另外，监控系统还可以推导蜂窝无线网络中的活跃通信链路的附加参数，尤其是所达到的数据速率/比特率、信噪比和/或延迟时间，并且处理单元进一步获得并处理所述附加参数以检测频谱异常信息。

有利地，处理单元被布置成远离rf接收器并且远离蜂窝无线网络，尤其是被布置在云服务中。

该监控系统还可以包括用于呈现检测到的频谱异常信息的输出单元，尤其是显示器或监控器。

在优选实施方式中，该监控系统包括至少两个rf接收器，并且该系统对由处理单元检测到的频谱异常的位置进行三角测量，其中，该三角测量基于所述至少两个rf接收器的频谱和/或物理测量值的相关性。

另外，可以的是，推导出的蜂窝无线网络的频谱和/或频谱的物理测量值用于进一步训练通过一训练方法训练的频谱异常神经网络。

本发明还涉及一种用于训练频谱异常神经网络的训练系统和训练方法，其中，该训练系统/训练方法用在蜂窝无线网络、尤其是5g专用urllc网络中，并且该训练系统的rf接收器监控蜂窝无线网络的频谱并推导该蜂窝无线网络的频谱和/或频谱的物理测量值，以及该训练系统的处理器基于推导出的蜂窝无线网络的频谱和/或频谱的物理测量值执行机器学习算法以训练频谱异常神经网络。

在优选实施方式中，该训练系统还包括：至少两个测试通信设备，其中，所述至少两个测试通信设备中的第一测试通信设备具有通向所述至少两个测试通信设备中的第二测试通信设备的活跃通信链路；以及用于产生使该通信链路失真的信号异常的信号异常发生器，尤其是宽带干扰机或连续波形(continuouswaveform，cw)发生器，其中，还基于产生的信号异常和/或活跃通信链路的附加参数来训练该频谱异常神经网络，所述附加参数尤其是所达到的数据速率/比特率、信噪比和/或延迟时间。

有利地，rf接收器监控并推导随时间和频率变化的频谱以产生谱振图，其中，基于该谱振图来训练频谱异常神经网络。可替选地或附加地，rf接收器推导每个时间单位随着频率变化的功率值作为频谱的物理测量值，其中，基于每个时间单位随着频率变化的功率值来训练频谱异常神经网络。

还可以的是，该处理器被布置成远离rf接收器并且远离蜂窝无线网络，尤其是被布置在云服务中。

通过本发明的监控系统、监控方法、训练系统和训练方法，因此可以基于无错通信以及可能的干扰/频谱异常、通过机器学习算法来训练频谱异常神经网络。然后可以使用该经训练的频谱异常神经网络来监控5g专用网络、尤其是该网络的频谱，以检测频谱异常。

附图说明

当结合附图研究以下详细描述时，本发明的这些和其它方面及优点将变得更加明显，其中：

图1示意性地示出了本发明的思想；

图2示出了根据本发明的监控系统；

图3示出了根据本发明的训练系统。

具体实施方式

如上所述，在5gnr的技术领域中，可以在例如公司厂房的受限区域上安装和运行5g专用网络。例如，这对于高度灵活和模块化的生产线来说令人产生兴趣。然而，在这样的生产环境中，则必须避免例如在基站和终端设备之间的5g专用网络(尤其是在5g专用网络的空中路径)中的任何干扰/频谱异常。然而，并非总是可以随时避免任何干扰。在这种情况下，希望尽快识别/检测5g专用网络中的此类干扰，以便采取适当的对策。

在图1中示出了本发明的总体思想，其中，监控和推导出的频谱数据(例如像谱振图1之类)被机器学习算法用来训练频谱异常神经网络2。然后使用该经训练的频谱异常神经网络2来检测频谱异常，其中，监控和推导出的频谱数据(例如像谱振图1之类)再次被频谱异常神经网络2使用。可以在输出单元(比如显示器或监控器3)上呈现/显示检测的结果或检测到的频谱异常。

更详细地，如图2所示，本发明提供了一种用于检测5g专用urllc网络8中的频谱异常的监控系统和监控方法。例如在公司厂房的受限区域中，可以安装和操作这类5g专用网络8。受限区域中的5g专用网络8可以包括例如基站6和与基站6通信的终端设备7。

在图2所示的监控系统和监控方法中，rf接收器4监控5g专用网络8的频谱并推导频谱和/或频谱的物理测量值。基于推导出的频谱和/或物理测量值，处理单元5执行已经通过相应的训练系统或训练方法训练的频谱异常神经网络，以检测5g专用网络8中可能的频谱异常。

这意味着蜂窝无线网络(即5g专用urllc网络8)中的无线电通信被相应的rf捕获设备(即本发明的监控系统的rf接收器4)捕获，并且捕获的无线电通信的数据被发送到相应的处理设备(即本发明的监控系统的处理单元5)，以基于经训练的频谱异常神经网络进行分析，从而检测异常/干扰。

为了训练频谱异常神经网络，本发明还提供了一种训练系统和训练方法，其中，该训练系统和训练方法也用在5g专用urllc网络中。图3示出了这类训练系统，其中，类似于图2，例如在公司厂房的受限区域中，可以安装和操作这类5g专用urllc网络8。图3中所示的5g专用网络8可以与图2中所示的5g专用网络8相同。这意味着在同一5g专用网络8中训练频谱异常神经网络，随后监控系统和监控方法在该5g专用网络8中监控频谱并可能地检测频谱异常。

另外，也将可以的是，在一家公司厂房的一个5g专用网络中训练的频谱异常神经网络可以被用在另一家公司的另一厂房的另一个5g专用网络中。例如，将可以的是，一个5g专用网络的经训练的频谱异常神经网络被用作训练另一个5g专用网络的基础。也将可以的是，一个5g专用网络的经训练的频谱异常神经网络被直接用在另一个5g专用网络中用于监控。

在所述训练系统和训练方法中，rf接收器4监控5g专用网络的频谱并推导频谱和/或频谱的物理测量值。然后使用该推导出的频谱和/或频谱的物理测量值来训练频谱异常神经网络，其中，处理器9基于推导出的蜂窝无线网络的频谱和/或频谱的物理测量值执行机器学习算法以训练频谱异常神经网络。

利用训练系统的这种构型，那么可能的是，可以学习无错通信，其中，无错通信的检测除其它方面之外例如基于始终可用的信号分量的识别，例如在5g情况下则基于所谓的ssb块(在3gpp中指定的同步和广播信号)。

为了学习和训练干扰/异常，训练系统包括至少两个测试通信设备，例如基站6和终端设备7，其中，在至少两个测试通信设备6和7之间建立通信链路，以具有活跃通信链路。进一步地，训练系统包括用于产生使通信链路失真的信号异常的信号异常发生器10，其中，这类发生器可以例如是用于产生干扰信号的宽带干扰机或连续波形(cw)发生器。

基于已经学习和训练的无错通信以及由信号异常发生器10产生的使通信链路失真的信号异常，附加地学习频谱异常，其中详细地，基于产生的信号异常进一步训练频谱异常神经网络。

在监控系统、监控方法、训练系统和训练方法中，针对rf接收器4的监控和推导的一种可能实现方式可以是，rf接收器4监控并推导随时间和频率变化的频谱以产生谱振图，其中，然后在训练系统和训练方法中使用该谱振图，以基于来自谱振图的图像训练频谱异常神经网络。在监控系统和监控方法中，然后使用谱振图或谱振图的图像来检测频谱异常，并甚至可以在谱振图中对它们进行分类，其中，例如谱振图中的竖直线将指示cw干扰。潜在的分类可以作为提出对策的基础。

针对rf接收器4的监控和推导的另一种可能实现方式可以是，rf接收器4推导/使用每个时间单位随着频率变化的功率值作为频谱的物理测量值，并且在训练系统和训练方法中使用这些每个时间单位随着频率变化的功率值来训练这些值的时间序列(图案识别)。在监控系统和监控方法中，然后使用这些每个时间单位随着频率变化的功率值来检测频谱异常。

除了在蜂窝无线网络的频谱中出现的与信号异常发生器10产生的频谱异常相似的频谱异常之外，故障电子部件也可能引起干扰和异常，这也可由监控系统到和监控方法来检测。在这方面，监控系统和监控方法还可以用于监控用于通信的信道以及所使用的频带之外的频率范围。额外观察信道之外的频带可以允许检测来自故障电子部件的故障，这与关于材料的通信路径的损坏或其它指出的部件损坏无关。例如，机器人的马达在由于材料疲劳而失效之前可以在专用频带中具有增高的功率值。

进一步，除了检测频谱异常外，还可以开发监控系统和监控方法来定位频谱异常。通过使用位于如图2所示的5g专用网络8中的不同点处的至少两个rf接收器4，可监控并推导不同的频谱和/或物理测量值。利用这些不同的频谱和/或物理测量值，则可以的是，对由处理单元5检测到的频谱异常的位置/地点进行三角测量，其中，该三角测量基于至少两个rf接收器4的频谱和/或物理测量值的相关性。进一步，至少两个rf接收器4可以连接到一个处理单元5。

也可以使来自rf频谱测量的数据(分别是频谱和/或频谱的物理测量值)与来自活跃连接/通信的数据相关联。来自活跃通信的性能参数例如是所达到的数据速率、潜在信噪比、或活跃通信上的延迟时间。除了rf频谱外，这些参数还可以改善对异常的训练和识别。监控系统还推导出蜂窝无线网络中的活跃通信链路的这类附加参数，以及除了频谱和/或频谱的物理测量值外，处理单元5还处理附加参数以检测频谱异常。在训练系统中，还可以基于活跃通信链路的附加参数来训练频谱异常神经网络。

监控系统的rf接收器4可以与处理单元5一起定位/布置在一个壳体中或彼此靠近。然而，也可以的是，处理单元5被布置成远离rf接收器4和/或远离蜂窝无线网络，如图2所示，尤其是被布置在云服务中或居中在公司的计算机中心。因此，处理单元5也可以在中央计算机或服务器上实现。

类似地，训练系统的rf接收器4也可以与处理器9一起定位/布置在一个壳体中或彼此靠近。然而，也可以的是，处理器9被布置成远离rf接收器和/或远离蜂窝无线网络，如图3所示，尤其是被布置在云服务中或居中在公司的计算机中心。因此，处理器9也可以在中央计算机或服务器上实现。

进一步地，也可以在操作期间通过监控系统和监控方法连续记录数据(比如频谱和/或频谱的物理测量值和/或附加参数)以改善频谱异常神经网络，其中，推导出的数据用于进一步训练频谱异常神经网络。因此，频谱异常神经网络在整个操作过程中持续得到改善。