工业物联网推动智能制造——解读《工业无线传感器网络抗毁性关键技术研究》

段 莹 李文锋

1.郑州航空工业管理学院智能工程学院，郑州，4500462.武汉理工大学物流工程学院，武汉，430063

1 工业物联网引发技术变革

智能工厂作为智能制造重要的生产实践领域，受到制造企业的广泛关注和各级政府的高度重视。航空航天、轨道交通、材料化工以及生物医药等领域核心技术的研究和创新性发展，需要更加精确的生产和环境数据监测、智能化预测和风险预警管理，对智能工厂、智能制造、智慧物流等提出了迫切需求。我国现代工业物联网的发展也由过去的政府主导，向市场主导、政府引导和自主发展方向转变。据赛迪顾问统计，2016年我国工业物联网产业规模达到1860亿元，在整体物联网产业规模中的占比约为18%。据专业的评估和预测，在国家政策的引导及市场实际需求的推动下，工业物联网在整体物联网产业中的占比将在2020年达到25%，产业规模预计将突破4500亿元。

随着工业物联网领域的兴起和发展，传感器设备在移动通信、工业制造、汽车自动化、智能家居等行业广泛应用，扩大了我国传感器产品的市场规模。诸多局限和不足往往会影响工业无线传感器网络的性能，譬如生产环境下的多种设备之间会产生无线传输信号干扰等。那么如何保证网络的持续、稳定服务能力，以满足现代工业生产组织的需求？对于企业而言，如何使用合理的方法来提升网络抗毁性能？这些问题，都可以在武汉理工大学李文锋教授、符修文博士撰写的《工业无线传感器网络抗毁性关键技术研究》一书中觅得答案。该书从网络拓扑优化、容量优化、路由控制、故障检测、设备间的调度、抗毁性仿真平台的设计出发，解决无线传感器网络由于硬件故障、通信链路中断等原因导致节点失效，而引起网络瘫痪的问题，为工业环境下的无线传感网络及相关行业提供了实用性的方法。

2 工业无线传感器网络拓扑优化

无线传感器网络由数百甚至数千个分布的传感器节点组成，具有容易部署和自组织组网的特点，广泛用于工业场景的环境监视。能量耗尽、硬件故障或被攻击等原因可导致无线传感器网络节点失效，引起网络拓扑分割，降低网络的覆盖度。因此，如何建立一个可靠的无线传感器网络拓扑结构是近年来研究的热点。

自2000年以来，复杂网络已成为万维网、社交网络和科学合作网络等多学科领域的重要分析工具和研究手段。无标度网络和小世界网络的发现极大地推动了复杂网络研究的发展。复杂网络的无标度特征的最显著特点是网络节点度数的分布为幂律分布。无标度网络中，度数较大的节点较少，但在面临随机故障时的失效概率较大；小度数的节点故障时，对整个网络的性能影响不大，因此，无标度网络在随机攻击下具有很好的生存能力。无标度网络的中心节点占有网络的多数连接，这会导致此类节点能量容易过早耗尽，从而引发严重的能量空洞问题，因此，无标度网络拓扑在网络生命周期等关键性能指标上难以满足实际工业应用的需要。

针对该问题，《工业无线传感器网络抗毁性关键技术研究》引入了小世界网络的概念，提出一种基于无标度和小世界的新拓扑模型。在无标度模型的创建中，先以分簇无标度局域世界为基础模型，采用节点连接度和剩余能量进行参数量化；然后构造出拓扑构造的连接概率函数；考虑节点删除所引发的拓扑变化，构建出基于局域世界的分簇无标度拓扑演化模型；最后，通过度分布理论验证该网络模型的度数分布为幂律分布。在小世界模型的创建中，通过定义有向介数网络构造熵来评估网络能耗程度；在分簇无标度模型基础上，引入长程连接来构建小世界网络，解决因能量消耗不均所引发的节点能量空洞问题。

3 网络抗毁性容量优化

众所周知，工业无线传感器网络规模较大，并在区域内常采用簇结构模型，每个传感器节点具有数据传输周期性。如图1 所示，工业无线传感器网络的数据传输原理是：具有环境感知和数据采集能力的簇内成员节点(如工业环境中的各类温度、湿度传感器，生产制造设备上的红外传感器和重力传感器，生产原料上的终端识别码，物流运输设备上的传感器和定位装置，工人携带的移动智能设备)安装在工业环境中的各类生产要素内；簇头节点负责管理无线传感器网络簇内的成员节点，收集簇内成员节点的采集数据，以单跳或多跳传输方式转发给汇聚节点(Sink节点)；汇聚节点主要负责收集全网的环境数据，通过网关节点与无线网络、有线网络、互联网等其他网络相连接，把采集的数据传输到相应的应用服务器进行自动化分析或人工管理。

图1 工业无线传感器网络拓扑图Fig.1 Topology structure of industrial wireless sensor networks

由于工业无线传感器网络传输的数据常涵盖声音、图像和视频等大体量异构数据，而传感器网络的链路带宽非常有限，常常因为传输内容超大、网络负载过多而导致链路堵塞甚至节点失效。该问题发生的同时，会导致网络负载重分配的连续多次运行，出现多次重分配下的节点级联失效，严重影响网络拓扑的正常演化。对网络级联失效的问题，学者展开研究，建立了多种模型，如AC-blackout(a cascading failure blackout)模型等，但这些模型对以数据为中心的无线传感器网络研究较少。

因此，《工业无线传感器网络抗毁性关键技术研究》在拓扑演化的基础上，考虑真实情形下的工业无线传感器网络普遍存在的分簇结构，引入负载-容量模型和负载分配策略，结合中继负载与感知负载的概念，建立了参数可调的分簇级联失效模型；对工业无线分簇传感器网络进行级联失效分析，通过理论推导与仿真分析相结合的方式，验证了分簇级联失效模型对分簇网络级联失效抗毁性能的影响。在此基础上，基于节点容量扩充方式，提出一种网络级联失效抗毁性能提升方法，用于解决分簇网络级联失效抗毁性优化难题。

4 网络抗毁性路由优化

工业无线传感器网络是以数据为中心的任务驱动网络，采用无线通信方式连接底层的不同设备，从而形成多跳自组织的混杂无线网络系统。该无线传感器网络的核心任务是将数据快速有效地传递至Sink节点，因此消息路由成为决定网络服务质量的核心要素。工业环境通常较为恶劣(高温、高湿、强振、强电磁干扰等)，导致网络经常面临通信链路质量较差、数据丢包率较高等一系列问题，因此，路由抗毁性已成为制约工业无线传感器网络路由性能的主要技术瓶颈。

研究发现，工业无线传感器网络由大量低成本的传感器节点构成，网络存在大量的冗余节点和链路，因此为了克服工业环境对无线传感器网络的影响，一些学者考虑了工业复杂环境干扰问题，通过连通度来保持路由冗余。考虑到多路径数据传输机制，多数研究采用网络链路冗余(多路径路由)的方法来处理不同类型的节点管理、链路通信配置、传输路径的选择等。如图2所示，多路径路由采用3种不相交的多路径方法去解决负载均衡和缓解拥堵的问题，具体实现方法为链路不相交和节点不相交，其中，链路不相交可保证链路的可用性，节点不相交可以缓解拥堵。

图2 多路径路由分类Fig.2 Multipath routing classification

因为工业实际场景的复杂环境因素，网络数据传输常常遇到通信链路质量较差、数据包丢失率较高的问题。与此关联紧密的是数据包传输的路由问题，即数据包传输所经过的节点路径问题。多路径路由协议增加了数据传输链路的冗余度，提高了数据传输可靠性。由于多路径协议选择最优路径时需要考虑节点能量问题，以避免网络资源的过度浪费，因此《工业无线传感器网络抗毁性关键技术研究》提出了一种基于势场的不相交多路径容错路由(potential field multipath routing，PFMR)算法。该算法以移动机器人轨迹场景与工业无线传感器网络数据传输的相似性为推导基础，对环境场中的重要环境因素进行分析并做归一化处理，以建立与深度场、能量场和目标场相互作用的多因素环境场。在此基础上，建立无线传感器网络的全局势场，并在势场的基础上，建立不相交、多路径的最优路由信息。仿真实验结果表明，PFMR算法在高温和高湿的工业环境下仍保持着良好路由的性能。

5 网络故障检测

工业无线传感器网络在运行阶段，外部环境因素的干扰会导致节点失效，因此为避免更严重事故的发生，需即时感知、检测故障的位置信息，对该故障进行快速处置。网络故障可划分为：①离群点故障，即节点在某一时刻或某几个离散时刻的读数偏离正常值，在其他时刻的读数仍然正常；②偏移故障，即节点读数偏离正常值，但仍可对周边环境变化做出响应；③固定值故障，即节点读数长时间维持不变，不受周边环境变化的影响；④高噪声故障，即节点读数受噪声影响明显，高噪声故障通常具备一定的随机性特征，受周边环境变化的影响较为微弱。

因此，根据故障类型，在故障发生后的一段时间内采取合理有效的网络“维护措施”，降低失效事件发生的概率，是确保工业无线传感器网络长期稳定可靠运行的重要环节。《工业无线传感器网络抗毁性关键技术研究》参考上述4种故障类型，通过数据采集过程中的趋势相关性来识别网络故障的相关特征，采用基于区域内节点的内部故障检测机制提出了基于趋势相关性的故障检测(fault detection by tendency similarity，FDTS)算法，引入指数平滑预测来触发故障检测，以解决因邻居数据与被检测节点瞬时数值存在过大差异，而导致故障检测准确率偏低的问题，算法流程如图3所示，相关物理量的说明见表1。最后，基于工业场景中的无线传感器网络分簇模型，对FDTS算法进行优化，把簇内节点故障检测任务转移至簇头节点，从而实现全簇乃至全网节点的故障检测。

图3 基于趋势相关性的故障检测算法流程图Fig.3.Flow chart of fault detection by tendency similarity

表1 故障检测算法参数定义Tab.1 Parameter description of fault detection

在无线传感器网络故障检测的基础上，该书同时考虑网络故障的原因分析，引入机器学习的相关概念，利用“学习-推理-匹配”的思维路线对传统技术进行分析，通过比较支持向量机、人工神经网络、模糊逻辑这三种诊断算法的优缺点，提出基于人工免疫理论的故障诊断算法。该算法将抗原、抗体和抗体库引入工业无线传感器网络，通过建立故障状态特征向量来寻找抗体与抗原之间匹配的亲和度；为不给网络增添额外的压力和消耗，将故障诊断算法部署于计算、存储和能量等强的Sink节点。当传感器节点运行FDTS算法发现故障时，向Sink节点发送通知报文。Sink节点启动该算法的诊断行为，从故障通知报文中提取故障特征样本，开展相关的诊断流程，如图4所示。与人工神经网络和支持向量机的诊断算法相比，该算法复杂度较小，且可保证较高的诊断精度，在算法时间上可有效满足工业场景的要求。

图4 故障诊断流程图Fig.4 Flowchart of fault diagnosis

6 基于移动智能体的数据分层传输

智能工厂中，传感设备可以通过网络接入到云制造平台。云制造平台根据客户的需求，提供定制化加工服务。因此，为适应客户个性化定制产品的需求，产品必须是模块化和可配置的。典型的智能工厂结构分为客户层、云平台层和智能工厂层。客户可以在客户层向云平台下达定制产品的订单；云平台将订单分解为不同类型的子订单并分配给相应的工厂，为分配给工厂的每个订单创建一个生产流程；生产流程由一系列加工服务组成，加工服务对应于物理工厂中的加工单元。

当今的工业场景中，许多工业生产资料和移动装备都具有感知能力和联网能力，已成为工业智能生产中的调度要素，使工业生产更加自动化、网络化和智能化。譬如，在智能工厂中，移动智能体可以是自动导引小车(AGV)，也可以是有轨制导小车(RGV)和移动机器人。在生产车间，每个加工单元的生产任务可以分解为加工任务和非加工任务。非加工任务由移动智能体完成，包括物料运输和在制品运输任务。在整个制造过程中，数据分别通过无线现场总线网络和无线传感器网络进行传输。

《工业无线传感器网络抗毁性关键技术研究》从数据传输的角度出发，考虑到链路的不稳定因素，以现代工业中典型生产调度元素——移动智能体为纽带，结合移动智能体、无线传感器网络、无线现场总线网络，提出了一种基于移动智能体的数据分层传输方案。该架构由两部分构成，一是无线现场总线网络，主要由生产加工单元设备组成，通过以太局域网在加工设备和基站之间进行数据传输；二是无线传感器网络，由无线传感器节点组成，主要用来收集工业环境信息，并将所收集的数据信息传输至基站。通过网络适配设备将现场总线与无线传感器网络集合在一起，如图5所示，其中，定义加工设备为簇头节点，簇头节点收集数据后将数据划分为不同的优先级，高优先级的数据通过现场总线传输到基站，低优先级的数据通过移动智能体传输到基站。

图5 车间集成网络Fig.5 Integration network of workshop

另外，针对移动智能体在工业生产调度中的作用，结合移动智能体与无线传感器网络相关理论，设计了移动智能体的调度方案。该调度方案通过初始化车间变量、订单变量、加工命令以及AGV的相关参数，对工业生产中的非加工任务资源进行需求评估并建立函数模型，在AGV任务和节点路径方面对AGV进行需求评估，实验表明该调度方案为数据分层传输方案提供了较高的数据传输效率和能量使用效率。

7 抗毁性仿真测试平台

目前，仿真测试与实际测试是当前评价工业无线传感器网络性能，验证所提理论方法有效性的主要途径。但针对工业无线传感器网络抗毁性问题，当前研究受硬件设备、平台整合、软件开发等实际场景条件的限制。除此之外，对于验证网络在高温、高湿等恶劣环境或遭遇恶意入侵等突发事件的抗毁性能，已有的仿真平台难以对无线传感器的网络抗毁性能展开分析与测试。因此，《工业无线传感器网络抗毁性关键技术研究》面向工业无线传感器网络抗毁性，对现存的仿真平台，如OPNET、NS-2/3、OMNET++等进行调研和研究，考虑外部环境与突发事件对网络性能影响，自主搭建抗毁性仿真平台。该平台的优势在于：①用户可根据自身的需求，设置环境与事件触发的相关参数，并在仿真条件下完成网络抗毁性能测试；②用户可以运用快捷操作，针对网络路由与拓扑等多个对象，在容错、容侵、数据丢包与能耗等多个技术指标进行抗毁性能的测试与分析。

8 结论

《工业无线传感器网络抗毁性关键技术研究》一书紧扣工业物联网发展需求，从网络初始化、运行、维护等阶段和智能体调度四个方面，对工业无线传感器网络抗毁性做了全面的分析和介绍，设计了一种工业无线传感器网络分簇拓扑演化机制来解决能量空洞问题。提出了一种面向级联失效的工业无线传感器网络容量优化策略，引入感知与中继负载、容量扩容策略来解决级联失效引发的抗毁性问题；设计了一种容错路由算法，考虑工业复杂环境中的节点能量等因素，借用多路径路由算法的优点，结合势场算法去提升消息路由的抗毁性；针对网络故障检测和诊断，分别设计了分布式故障检测算法和人工免疫理论故障诊断算法。运用工业中常用的移动智能体构建了一种数据分层传输方案，该方法显著提高了现场总线的数据传输效率，延长了传感器节点的使用寿命。针对现有仿真平台匮乏的现状，搭建了一种网络抗毁性仿真平台，以满足抗毁性研究开展测试的需求。该书密切结合智慧工厂发展的时代需求，针对大数据时代对工业物联网网络设施鲁棒性的高度依赖，以工业无线传感器网络的抗毁性研究为着力点，内容深入浅出，具有很强的可读性和可操作性。