人工神經(jīng)網(wǎng)絡(luò)思想優(yōu)化EPA動態(tài)通信調(diào)度

孟祥印 肖世德

(西南交通大學(xué)智能機電技術(shù)研究所，四川 成都 610031)

0 引言

以太網(wǎng)要應(yīng)用于現(xiàn)場設(shè)備層測控，需要解決通信的實時性、可靠性、安全性、可互操作性和總線供電等關(guān)鍵技術(shù)問題［1－2］。中國自主知識產(chǎn)權(quán)的工業(yè)以太網(wǎng)現(xiàn)場總線標(biāo)準(zhǔn)EPA，利用交換式以太網(wǎng)等技術(shù)實現(xiàn)了系統(tǒng)通信的確定性，利用微網(wǎng)段、報文優(yōu)先級、UDP傳輸和應(yīng)用層實時通信協(xié)議等方式改善了網(wǎng)絡(luò)的實時性，從而實現(xiàn)了性能良好的應(yīng)用于工業(yè)現(xiàn)場測控的以太網(wǎng)絡(luò)。

EPA以太網(wǎng)的實時通信模型為令牌/生產(chǎn)者/消費者模型［3］。對突發(fā)性非周期性信息，如報警信息，采用令牌通信方式，在周期變量通信間隙進(jìn)行處理;對于周期性變量，采用生產(chǎn)者/消費者實時通信模型，按照調(diào)度表周期循環(huán)處理。通過對EPA的實時通信模型的分析發(fā)現(xiàn)，EPA通信調(diào)度忽略了周期性變量和報警信息之間的相互影響，參量訪問的優(yōu)先級分配也不夠周全和靈活。

本文利用人工神經(jīng)網(wǎng)絡(luò)，計算出要調(diào)度和訪問的參量的優(yōu)先順序，從而動態(tài)、合理地調(diào)度訪問EPA系統(tǒng)中的參量。

1 EPA通信調(diào)度分析

1.1 確定性調(diào)度原理與分析

EPA協(xié)議為所有的報文分配了優(yōu)先級，并采用基于時間片和基于優(yōu)先級相結(jié)合的方法進(jìn)行通信調(diào)度［4］。周期報文較非周期報文的發(fā)送優(yōu)先級高，非周期報文穿插在周期性報文之間發(fā)送。不同周期報文的發(fā)送順序是按其優(yōu)先級高低、IP地址大小和時間有效方式進(jìn)行排列的［5－6］。

假設(shè)EPA的某個網(wǎng)段上除了調(diào)度者之外還有A、B、C三個設(shè)備，它們的生產(chǎn)和消費關(guān)系按照以下方式進(jìn)行組態(tài)。

① 設(shè)備A是變量A'的生產(chǎn)者、變量B'的消費者;

② 設(shè)備B是變量B'的生產(chǎn)者、變量A'的消費者;

③設(shè)備C是變量A'和變量B'的消費者，不產(chǎn)生任何變量。

設(shè)備A、設(shè)備B和設(shè)備C都有可能產(chǎn)生報警等非周期性信息，這里均用報警信息來代替所有的非周期性信息，符號分別為#A、#B、#C。根據(jù)組態(tài)，周期性變量和非周期性信息的優(yōu)先級如下:

根據(jù)EPA的令牌/生產(chǎn)者/消費者實時通信模型，EPA通信調(diào)度原理如圖1所示。

圖1 EPA通信調(diào)度原理圖Fig.1 Principle of EPA communication dispatching

圖1中:TreqA和TreqB分別為調(diào)度者請求產(chǎn)生周期變量A'和變量B'的請求時間;TpubA和TpubB分別為設(shè)備A和設(shè)備B發(fā)布變量A'和變量B'的時間;TrecA和TrecB分別為總線上的消費者接收并消費周期變量A'和變量B'的時間，TintA和TintB分別為變量 A'和變量B'的通信間隙時間;TdelA和TdelB分別為總線上變量傳播的延時時間，一般很小。

基于優(yōu)先級的訪問調(diào)度時延圖如圖2所示。其中圖2(a)為享有最高優(yōu)先權(quán)的報警信息#A的通信時延圖，圖2(b)為享有最低優(yōu)先權(quán)的#C的通信時延情況，并且假設(shè)直到整個Tint時間內(nèi)，設(shè)備A和設(shè)備B都沒有產(chǎn)生報警信息。

圖2 基于優(yōu)先級的訪問調(diào)度時延圖Fig.2 Time-delay schematic of priority-based access dispatching

由圖2可知，報警信息訪問調(diào)度的時延發(fā)生在周期性通信間隙Tint時間內(nèi)。

由圖2(b)可以看出，因為#C的優(yōu)先級一直是非周期性信息中最低的，所以要進(jìn)行兩次和令牌(token)優(yōu)先級的比較，直到第三次比較才得以允許向網(wǎng)段發(fā)布;且由于其優(yōu)先級被固定，當(dāng)系統(tǒng)參量發(fā)生改變，報警信息#C這個參量越來越重要時，卻不能被及時觀察和訪問。

1.2 EPA通信模型的不足

根據(jù)通信調(diào)度時延情況的分析可知，EPA實時通信模型存在優(yōu)先級分配動態(tài)性和靈活性不足的現(xiàn)象。在實際的生產(chǎn)過程中，周期變量并不總是比非周期變量優(yōu)先訪問，而是應(yīng)該靈活地安排通信間隙Tint的插入位置和插入頻度。同時，報警信息之間的優(yōu)先級和周期變量之間的優(yōu)先級也應(yīng)該根據(jù)實際的測控數(shù)據(jù)而在線動態(tài)變化。

2 新型實時通信模型

2.1 一種智能通信調(diào)度模型

人工神經(jīng)網(wǎng)絡(luò)具有分布式的信息存儲和大規(guī)模的非線性并行處理能力，良好的自適性和自組織性，較強的學(xué)習(xí)、聯(lián)想能力和容錯能力以及強大的運算能力和較快的運算收斂速度。多年前就有人提出應(yīng)用于現(xiàn)場總線的多傳感器融合和系統(tǒng)安全性評價［7－9］，也曾有學(xué)者提出神經(jīng)網(wǎng)絡(luò)與模糊PID控制相結(jié)合來改善CSMA/CD介質(zhì)訪問方式下的Ethernet時延不確定性引起的振蕩和不穩(wěn)定問題，或者利用神經(jīng)網(wǎng)絡(luò)建立基于優(yōu)先權(quán)的仿真模型［10］。所以我們可以采用人工神經(jīng)網(wǎng)絡(luò)來表達(dá)以太網(wǎng)實時通信數(shù)據(jù)之間的關(guān)系，構(gòu)成一個智能化、動態(tài)化優(yōu)先級分配與任務(wù)調(diào)度模型?；谌斯ど窠?jīng)網(wǎng)絡(luò)的實時通信模型稱之為生產(chǎn)者/智能調(diào)度者/消費者模型。

生產(chǎn)者/智能調(diào)度者/消費者模型采用的神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

圖3 計算優(yōu)先級用神經(jīng)網(wǎng)絡(luò)模型Fig.3 Neural network model for calculating dispatching priority

神經(jīng)網(wǎng)絡(luò)的輸入層X，表示對非周期性信息和周期變量(統(tǒng)稱通信數(shù)據(jù))的優(yōu)先級和任務(wù)調(diào)度順序有影響的因素，包括通信數(shù)據(jù)是否被訪問、通信數(shù)據(jù)的重要性、通信數(shù)據(jù)產(chǎn)生設(shè)備的可靠性程度、周期變量的采樣周期長短和報警信息的產(chǎn)生等。X0表示在網(wǎng)絡(luò)通信數(shù)據(jù)交互周期內(nèi)(非周期性信息和周期變量的通信通盤考慮，以等價的身份同屬于一個完整的通信數(shù)據(jù)交互周期之中)，某通信數(shù)據(jù)的請求(周期變量產(chǎn)生)或查詢(非周期性突發(fā)信息)是否已經(jīng)執(zhí)行這一因素。這樣就考慮了某個通信數(shù)據(jù)的執(zhí)行與否對任務(wù)調(diào)度順序的重要影響。

輸入層中的因素包括了報警信息的產(chǎn)生，它將對輸出層的周期性變量的優(yōu)先級施加影響，同樣地，它也將作用于另外的報警信息的優(yōu)先級輸出。由此，非周期性信息之間和非周期信息對周期性變量的相互影響就通過上面的神經(jīng)網(wǎng)絡(luò)體現(xiàn)了出來。

輸入因素的激勵函數(shù)值稱為“輸入因子”，第i個輸入因素 Xi的輸入因子用 xi表示，即激勵函數(shù)f(Xi)=xi(i=0，1，2，3)。同理，通過 ωij的在線動態(tài)變化，周期性變量之間和周期性變量對報警信息等非周期性數(shù)據(jù)的優(yōu)先級的影響也可以通過上面的神經(jīng)網(wǎng)絡(luò)來表達(dá)。

神經(jīng)網(wǎng)絡(luò)的輸出層用Y表達(dá)，Yj表示在諸多因素影響下某個通信數(shù)據(jù)的優(yōu)先級數(shù)值。輸出層神經(jīng)元的輸出為Yj=f(∑ωij－ θj)，Yj越大，說明優(yōu)先級越高。其中，閾值 θj=0，激勵函數(shù) f(X)=X ，即 Yj=∑Xiωij;ωij為輸入(對調(diào)度優(yōu)先級有影響的因素)對優(yōu)先級輸出的影響因子，ωij越大，說明該因素對優(yōu)先級的輸出的影響力越強。

在數(shù)據(jù)通信過程中，智能調(diào)度者通過比較，找出輸出Y中優(yōu)先級數(shù)值最大的Yk，則第k個數(shù)據(jù)就是立即要訪問的通信數(shù)據(jù)。由此可見，智能型實時通信模型可以不改變原來EPA的結(jié)構(gòu)，而是在原來充任仲裁者的設(shè)備中植入人工神經(jīng)網(wǎng)絡(luò)思想，易于實現(xiàn)。

2.2 新模型工作仿真

假設(shè)在一個小型的過程控制系統(tǒng)中，總線要訪問三個周期變量和兩個報警信息，它們分別為壓力P、溫度T、切斷閥狀態(tài)SV、壓力報警信息#P和溫度報警信息#T。

需要仿真的系統(tǒng)工作過程為:由溫度的升高引起壓力的升高，繼發(fā)生溫度報警之后，又發(fā)生壓力報警這樣一個過程。該過程可以分為七個階段:初始狀態(tài)、周期變量訪問、將發(fā)生溫度報警、發(fā)生了溫度報警、將發(fā)生壓力報警、發(fā)生了壓力報警和回歸初始狀態(tài)。智能計算該系統(tǒng)數(shù)據(jù)訪問調(diào)度優(yōu)先級的神經(jīng)網(wǎng)絡(luò)模型如圖4所示。

圖4 仿真用優(yōu)先級計算模型Fig.4 Simulation model for calculating priority

初始狀態(tài)下，神經(jīng)網(wǎng)絡(luò)輸入層的四個輸入因素的輸入因子xi(i=1，2，3，4)和輸入因素對五個通信數(shù)據(jù)的優(yōu)先級輸出 Yj(j=0，1，…，4)的影響因子 ωij，如表1所示。

表1 初始狀態(tài)下的X和ω的值Tab.1 Initial value of X and ω

表1中有九個數(shù)據(jù)是可以在數(shù)據(jù)訪問過程中動態(tài)改變的，它們分別為 x2、x3、ω00、ω01、ω02、ω03、ω04和 ω13、ω14，即兩個輸入(因素值)、五個通信數(shù)據(jù)是否被執(zhí)行因子和兩個報警信息發(fā)生概率的影響因子。X和ω在仿真時在線動態(tài)改變遵循的規(guī)則如下。

①若通信數(shù)據(jù)沒有被訪問，則因素“已訪問否”對應(yīng)影響因子ω為0，每被訪問1次，影響因子自減1;如果某通信數(shù)據(jù)的“已訪問否”影響因子ω為n，則表示該通信數(shù)據(jù)已經(jīng)被訪問了n次。

②若某報警信息將要發(fā)生，則“重要性”這個輸入因素對該報警信息的影響權(quán)重ω1j(j=3或4)將增加0.7;如果該報警信息已出現(xiàn)，則置ω1j(j=3或4)為1，且對應(yīng)的“報警出現(xiàn)”這個輸入因素的輸入因子也置為1。在沒有發(fā)生任何報警的情況下，如果出現(xiàn)所有通信數(shù)據(jù)的優(yōu)先級數(shù)值Y都為負(fù)，則第一個輸入因素“已訪問否”對輸出的所有影響權(quán)重都回歸為初始值，即全部復(fù)位為0，可看作全部通信數(shù)據(jù)都沒有被執(zhí)行過，重新進(jìn)入下一個訪問周期。

③如果發(fā)生了報警，對應(yīng)報警信息的訪問次數(shù)等于5時，就認(rèn)為用戶已經(jīng)對所有報警進(jìn)行了確認(rèn)和處理，所有狀態(tài)(X、ω和Y)都回歸到初始狀態(tài)。

④如果多個變量或報警信息輸出的優(yōu)先級數(shù)值相等，則將要訪問的對象為訪問次數(shù)較少的對象。

根據(jù)表1中表達(dá)的初始狀態(tài)和規(guī)則，仿真統(tǒng)計出的各個通信數(shù)據(jù)的訪問次數(shù)如表2所示。由表2可以看出，在周期性訪問階段，訪問的次序就是我們設(shè)定的通信數(shù)據(jù)的重要性和發(fā)生概率的順序。在將發(fā)生報警和發(fā)生了報警階段，對應(yīng)的報警信息將首先被訪問，如從第5步到第6步，溫度報警信號#T將出現(xiàn)時，#T將立即在第6步被訪問;在第11步到第12步溫度報警信號#T剛已出現(xiàn)的時候，#T也立即在第12步被訪問。同樣，在第16步到第17步，壓力報警信號#P將要出現(xiàn)，和第20步到第21步壓力報警信號剛已出現(xiàn)的時候，變量#P就立即被訪問。在將發(fā)生報警和發(fā)生了報警階段，由其末位置處的訪問次數(shù)統(tǒng)計可以看出，凡和該報警信息有正相關(guān)的通信數(shù)據(jù)，其訪問次數(shù)也較多。

表2 各變量訪問次數(shù)統(tǒng)計Tab.2 Visits statistics of each variable

2.3 新通信模型的優(yōu)越性

新型的通信模型考慮了更多影響數(shù)據(jù)訪問調(diào)度的因素，并利用神經(jīng)網(wǎng)絡(luò)建立了這些因素與各個通信數(shù)據(jù)訪問優(yōu)先級之間的聯(lián)系，使其訪問調(diào)度的機制更加完善。仿真表明，在新型通信模型下，數(shù)據(jù)的訪問調(diào)度具有更好的靈活性和合理性，更能與實際工藝過程相吻合。

3 結(jié)束語

本文利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了一個新型智能實時通信模型，即生產(chǎn)者/智能調(diào)度者/消費者模型。該模型可以在不改變原來以太網(wǎng)結(jié)構(gòu)的前提下，用軟件的方法植入到原實時通信模型的調(diào)度實體中，實現(xiàn)優(yōu)先級智能計算和通信任務(wù)的智能調(diào)度。模型對非周期信息和周期變量進(jìn)行了全盤統(tǒng)一考慮，并引入通信數(shù)據(jù)之間相互影響這一事實因素，使得通信數(shù)據(jù)優(yōu)先級的輸出和任務(wù)調(diào)度能在線合理地動態(tài)變化，從而改善了系統(tǒng)優(yōu)先級和任務(wù)調(diào)度性能，提高了以太網(wǎng)應(yīng)用于工業(yè)現(xiàn)場控制的實時性。如果再適當(dāng)結(jié)合模糊控制策略和專家規(guī)則，則該模型就更加完善和智能化，甚至可以實現(xiàn)通信過程的智能故障診斷、定位和修復(fù)。

［1］馮冬芹，金建祥，褚健.工業(yè)以太網(wǎng)關(guān)鍵技術(shù)初探［J］.信息與控制，2003，32(3):219 －224.

［2］李鳳保，楊黎明.網(wǎng)絡(luò)化測控系統(tǒng)技術(shù)［M］.成都:四川大學(xué)出版社，2004:116－117.

［3］馮冬芹，廖智軍，金建祥，等.基于以太網(wǎng)的工業(yè)控制網(wǎng)絡(luò)實時通信模型研究［J］.儀器儀表學(xué)報，2005，26(9):891 －894.

［4］China State Bureau of Quality and Technical Supervision.GB/T 20171－2006 EPA system architecture and communication specification for use in industrial control and measurement systems［S］.2006.

［5］陳良華，黃源.EPA協(xié)議確定性調(diào)度測試系統(tǒng)的研究與實現(xiàn)［J］.自動化與儀表，2008，23(4):47 －50.

［6］王平，黃源，謝昊飛.EPA應(yīng)用層證實服務(wù)響應(yīng)時延測試的研究與實現(xiàn)［J］.廣東通信技術(shù)，2009，29(2):54 －57.

［7］周尚明，劉定生.模糊控制和神經(jīng)網(wǎng)絡(luò)在現(xiàn)場總線控制系統(tǒng)中的應(yīng)用［J］.中國科學(xué)院研究生院學(xué)報，2000，17(2):81 －88.

［8］余勇.基于神經(jīng)網(wǎng)絡(luò)理論的現(xiàn)場總線系統(tǒng)安全性評價的研究［J］.自動化與儀器儀表，2004(5):8－10.

［9］Lina C L，Chen C H，Huang H C.Stabilizing control of networks with uncertain time varying communication delays［J］.Control Engineering Practice，2008，16(1):56 －66.

［10］Shoukat M M，Dagli C.A priority-based simulation model of an Ethernet using an artificial neural network［J］.Doctoral Thesis:University of Missouri-Rolla，1992.