一种工业无线网络中关键链路评估方法

1.本发明涉及工业无线网络技术领域，具体指一种工业无线网络中关键链路评估方法。


背景技术：

2.在智能制造和工业互联网蓬勃发展背景下，工业无线网络已经广泛用于各个装备的感知和控制。由于工业应用对稳定性的特殊要求，工业无线网络稳定性一直是技术攻关的热点。工业无线网络稳定性技术按阶段可以分为，稳定性评估和稳定性控制。一般在获得稳定性评估结果后，对网络进行控制来提高稳定性。目前的稳定性控制方法主要通过改善逻辑链路的稳定性参数来提高网络稳定性，例如延长传输时间或减少传输数据等。然而在未来工业无线网络应用中，其拥有的逻辑链路会越来越多，可能存在无论怎么改变参数也不能改善网络的情况，这个时候需要提出一种能够通过停止最少逻辑链路来改善稳定性的方法。


技术实现要素：

3.本发明根据现有技术的不足，提出一种工业无线网络中关键链路评估方法，简化逻辑链路的同时，有效提高网络的稳定性。
4.为了解决上述技术问题，本发明的技术方案为：
5.一种工业无线网络中关键链路评估方法，包括如下步骤：
6.s100、链路稳定性数据测量
7.建立典型应用网络，通过稳定性测量设备测量稳定性数据并归一化；并用一定步长的归一化后的稳定性数据表征一个逻辑链路的原始特征。
8.s200、数据标签化
9.对稳定性数据按链路本身，链路之间和网络之间三类进行标签化；
10.s300、链路特征提取
11.建立深度自编码器网络，提取稳定性数据特征；
12.s400、链路相关系数计算
13.s500、关键链路计算
14.计算所有链路的平均相关性，最大的即为关键链路。
15.作为优选，所述稳定性数据包括传输时间、更新时间、丢包状态、连续丢包数、丢包率。
16.作为优选，所述归一化处理方法，其表达式如下：
17.l
t
＝[1-diag-1
(b-a)(x
t-a)
⊙
(1-c)]
⊙mt
[0018]
其中，m
t
是遮盖向量，a是设置的上限向量，b是设置的下限向量，l
t
是在时间t采集到所述传输时间、更新时间、丢包状态、连续丢包数、丢包率的数据。
[0019]
作为优选，所述步骤s300中，提取稳定性数据特征的方法为：通过深度自编码网络
将逻辑链路的原始特征压缩到低维向量的稳定性特征。
[0020]
作为优选，所述步骤s400中，通过建立全连接神经网络并根据两个链路的稳定性特征，给出相关性的评估结果。
[0021]
作为优选，所述全连接神经网络的第一层为：y1＝relu(w0[l
′i,l
′j]+b0)
[0022]
其中，w0和b0为全连接神经网络第一层的网络参数，l
′i,l
′j分别为链路i和链路j的稳定性特征，relu为激活函数，其表达式为：f(x)＝max(0,x)；
[0023]
全连接神经网络的中间各层可同一表示为：yk＝relu(wky
k-1
+bk),k∈{1,2,...,k}
[0024]
其中，wk和bk为全连接神经网络第k层的网络参数；
[0025]
全连接神经网络的最后一层输出获得相关系数，表示为：r
ij
＝σ(wkyk+bk)
[0026]
其中，σ为sigmoid激活函数，其形式为：
[0027]
作为优选，所述全连接神经网络的最后一层输出获得相关系数的范围为0-1。
[0028]
作为优选，所述步骤s500中，关键链路的计算方法为：
[0029][0030]
其中，j为链路数量，r
max
为最大值时即为关键链路。
[0031]
本发明具有以下的特点和有益效果：
[0032]
采用上述技术方案，评估出关键链路，由于该关键链路和其他所有链路的关系最为密切，因此如果无线网络变得不稳定，可以首选地停止该关键链路，最大程度的改善无线网络稳定性。
附图说明
[0033]
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作简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0034]
图1为本发明提供的方法流程图示意图。
[0035]
图2为本发明实施例一提供的总体方法示意图。
[0036]
图3为本发明实施例一提供的装置说明。
[0037]
图4为本发明实施例一提供的特征提取网络架构图。
[0038]
图5为本发明实施例一提供的相关系数计算网络架构图。
[0039]
图6为本发明实施例一提供的10米无线网络相关系数计算结果。
[0040]
图7为本发明实施例一提供的100米无线网络相关系数计算结果。
[0041]
图8为本发明实施例一提供的150米无线网络相关系数计算结果。
具体实施方式
[0042]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0043]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0044]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0045]
本发明提供了一种工业无线网络中关键链路评估方法，如图1所示，包括如下步骤：
[0046]
s100、链路稳定性数据测量
[0047]
建立典型应用网络，通过稳定性测量设备测量稳定性数据并归一化；
[0048]
可以理解的，采集到的稳定性数据包括但不限于传输时间、更新时间、丢包状态、连续丢包数、丢包率，并且采集的数据存在脏数据情况，从而通过设置上下限向量a和b来过滤不正常数据，并将数据归一化到范围0到c之间。假设在时间t采集到上述5维数据l
t
。那么，所述归一化处理方法，其表达式如下：
[0049]
l
t
＝[1-diag-1
(b-a)(x
t-a)
⊙
(1-c)]
⊙mt
[0050]
其中，m
t
是遮盖向量，该向量对应于l
t
的每一维，如果某一维是异常数据则l
t
中对应的维度值为0，否则为1。
[0051]
本实施例中用一定时间步长n的稳定性数据变化作为各自逻辑链路的原始特征，记为li，li＝[l1,l2,...,ln]。
[0052]
s200、数据标签化
[0053]
对稳定性数据按链路本身，链路之间和网络之间三类进行标签化；
[0054]
具体的，标签化值分别记为向量α、β、γ。进一步，可以用下标区分每个内部的值，例如α1表示链路和链路本身相同时刻的标签值，α2表示链路和链路本身不同时刻的标签值。
[0055]
s300、链路特征提取
[0056]
建立深度自编码器网络，提取稳定性数据特征；
[0057]
具体的，通过深度自编码网络将逻辑链路的原始特征压缩到低维向量的稳定性特征。
[0058]
进一步的，深度自编码网络结构如图4所示，损失函数为输入原始特征和网络输出之间的均方误差。通过该网络，步长为10维度为5的链路原始特征被压缩到5维向量，从而减少了计算量和减小了后期相关性计算的解空间。
[0059]
s400、链路相关系数计算
[0060]
通过建立全连接神经网络并根据两个链路的稳定性特征，给出相关性的评估结果。
[0061]
具体的，如图5所示，所述全连接神经网络的第一层为：y1＝relu(w0[l
′i,l
′j]+b0)
[0062]
其中，w0和b0为全连接神经网络第一层的网络参数，l
′i,l
′j分别为链路i和链路j的稳定性特征，relu为激活函数，其表达式为：f(x)＝max(0,x)；
[0063]
全连接神经网络的中间各层可同一表示为：yk＝relu(wky
k-1
+bk),k∈{1,2,...,k}
[0064]
其中，wk和bk为全连接神经网络第k层的网络参数；
[0065]
全连接神经网络的最后一层输出获得相关系数，表示为：r
ij
＝σ(wkyk+bk)
[0066]
其中，σ为sigmoid激活函数，其形式为：
[0067]
所述全连接神经网络的最后一层输出获得相关系数的范围为0-1。
[0068]
s500、关键链路计算
[0069]
计算所有链路的平均相关性，最大的即为关键链路。
[0070]
具体的，关键链路的计算方法为：
[0071][0072]
其中，j为链路数量，r
max
为最大值时即为关键链路，由于知道r
max
代表的链路，即可获得链路编号。由于该关键链路和其他所有链路的关系最为密切，因此如果无线网络变得不稳定，可以首选地停止该关键链路。特别地，在计算最大平均相关性中也知道了所有链路相关系数的排序，因此如果存在第一关键链路无法被停止，可以依次考虑排序在后面的链路。
[0073]
进一步的，应用上述技术方案给出以下具体的实施例：
[0074]
本实施例中通过对三个无线网络的稳定性评估来说明本发明方法，其中，如图2和图3所示，每个无线网络都具有三个无线设备，无线设备之间的距离分别为10米，100米，150米。设备之间通过蓝牙4.0进行传输。数据的采集间隔为0.131毫秒。每个网络获得10000笔数据。本实施例中，首先将每个链路中的1万条数据按照10个单位的步长分为9990组，得到9个包含9990个分组的序列，其中，序号0-2为10米的分组序列，序号3-5为100米的分组序列，序号6-8为150米的分组序列。分组完成后，将所有的数据按序存入数组s中，对同一网络类别的三个序列进行两两组合，本实施例中，组合的步骤主要包括：
[0075]
1.设置组合上限，即两个序列之间最多生成的随机组合数，本实施例中组合上限设置为1000；
[0076]
2.选取两个待组合序列，将其组合标号设为第一个序列的序列起始值(例如序号0的序列起始值为0，序号1的序列起始值为9990)；
[0077]
3.组合标号每次增加一个0-20之间的随机步长，得到新的组合标号，该标号对应组合中第一个数据在数组s中的下标，而第二个数据的数组下标来自另一个序列对应组合标号的位置(例如，序列0与序列2组合，选取组合标号为10，则将数据s[0*9990+10]，s[2*9990+10]作为组合)；
[0078]
4.重复步骤3，直到生成的组合数量达到步骤1设置的组合上限；
[0079]
按照上述步骤对同类网络数据序列进行两两组合后，10米、100米和150米三个类别的数据集均可以获得9000条记录，共计27000条。然后将每个类别的9000条记录随机划分成用于训练模型的7200条训练集数据以及1800条测试模型效果的测试数据，三个列别的训
练集数据共21600条作为完整的模型训练集。完成模型训练之后，对于每个类别，均使用该模型对其1800条测试集数据进行测试，评估该模型的实际效果。
[0080]
在模型训练中两个网络设置了相同的训练参数，即学习率0.001，批量大小100，训练轮数1000。三个网络的相关系数计算结果如图6-图8所示。进一步计算平均相关系数可知。如果网络变得不稳定，网络1中的链路3，网络2中的链路1，网络3中的链路3可以优先被停止，来最大程度的改善无线网络稳定性。
[0081]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。