随着智能化装备和工业机器人技术的发展,矿山开采过程逐渐趋向无人/少人化,急需解决机器人动态协同作业场景下全面信息感知、多类型数据传输、实时决策控制等数据高效连续传输问题[1-3]。同时,也要求矿山无线通信从当前安全监控应用的汇聚式上传,向协同交互的传输方式转变,需要高可靠、高带宽、低时延的无线网络提供技术支撑[1-3]。
2019年,《煤矿机器人重点研发目录》要求重点研发掘进、采煤、运输、安控和救援5 类、38 种煤矿机器人,构建高效协同的多机器人作业群。2020年,工信部、应急管理部要求做好煤炭行业工业互联网布局。为构建新一代矿山数据传输和分发的无线基础设施平台,亟需研究无人开采动态协同作业场景下无线资源管理算法与优化方法。
现有的矿山无线网络技术无法满足未来智能矿山的无人化生产对多类型数据同步传输、远程控制实时性、融合大数据的智能决策效率的要求,尽管目前的瓦斯、通风、人员、火灾、视频、广播等功能业务系统部分支持WiFi,4G 等无线通信技术,从安全监控的角度能够进行数据的采集和传输,但是在带宽、延时、并发数量、脉冲干扰、移动性等方面还有待突破[3]。同时,有关矿井信道建模和信道估计的研究,鲜少考虑动态作业环境以及非高斯脉冲噪声的影响[4-6]。
笔者深入剖析了矿山动态协同作业场景的通信技术需求、矿山无线通信技术的应用现状与发展趋势,分析了当前矿山无线通信的关键技术瓶颈、相关解决方案以及应用效果,并在此基础上提出了多业务属性驱动的无线通信模式。
1 矿山动态协同作业场景的通信技术需求
1.1 矿山动态协同作业场景
为提升矿山安全生产水平,实现零伤亡、零损害和零排放,保障矿产资源的稳定供应,仅靠一般的机械化开采很难实现,必须依靠基于机器人协同作业的无人化智能采矿技术[1]。如图1智能矿山生产系统所示,多个具有情境感知、数据分析并实时响应能力的智能机器人、装备、监测监控系统之间、机器群组之间自组织协同与交互、共享海量实时数据、联动控制、智能决策、远程感知。工业物联网等新一代信息、通信技术与矿山开采深度融合,渗透在开采掘、主辅运输、通风、排水、安全保障、洗选运输等生产流程中[1-3]。
1.2 通信技术需求
在智能矿山的机器人动态协同作业过程中,为进行统一协调处理和快速反馈控制,对矿山通信网络的可靠性、实时性提出了更高要求,主要包括:
(1)矿山通信需满足智能化开采过程的泛在信息感知要求,解决语音、视频、信息、位移、压力、振动、瓦斯、位置、温度等多类型快速生成且体量巨大的数据的高带宽、低时延传输问题[1-3]。
(2)矿山通信需实现矿山物联网底层的端端互联,满足井下密集传感、协同运维、人机交互、切割引导、自主导航、高清多媒体等众多智能综采设备群组的协同交互要求[1-3]。
(3)矿山通信需适应各类智能综采设备及设备群的高效协调、快速反馈和处理控制要求,包括自适应截割及掘进、故障预判与远程干预、车载跟踪与碰撞规划、辅助系统联动等,保障矿井生产的高效与安全。这对网络传输的高效连续性有着极高要求[1-3]。
图1 智能矿山生产系统示意(以煤矿为例)
Fig.1 Diagram of intelligent mine production system,taking coal mine as an example
2 矿山无线通信技术应用现状与发展趋势
2.1 矿山无线通信技术应用现状
为实现矿山安全相关的环境信息感知采集、综采、综掘、胶带运输、提升机等设备的运行状态监测及远程监控,近年以工业以太环网为骨干、局部无线接入的单向汇聚式混合异构组网模式成为矿山信息化、自动化中网络架构的主流模式。
短距离无线通信技术(ZigBee,WiFi,Bluetooth 和UWB 等)、移动自组织网络(MANET)、无线地下传感器网络(WUSN)、无线Mesh 网络(WMN)、物联网等的出现,使得矿井无线通信与组网技术迎来了一个快速发展的阶段[5]。3G/4G 矿井移动通信系统相继被研制可在一定程度上满足煤矿安全高效生产对矿井移动通信系统的需求[6];基于WiFi,Mesh 等技术的多媒体矿井救灾通信系统,可适应井下救灾通信的需求[7];基于不同频段的矿井无线通信技术如超低频透地通信、智慧线通信等亦成为矿井应用和研究的热点[8-9];2019年山西阳煤集团对井下5G 基站进行了传输性能测试[10]。矿山无线通信系统呈现出多种形式,包括调度通信、应急扩播、WiFi、无线Mesh、4G/5G 等。
2.2 智能化场景下的矿山无线通信技术
现有的矿山通信系统能够在一定程度上实现矿山安全监控数据的采集和传输,但在应对智能化的矿山作业场景时,仍存在很多不足[3]:
(1)现有的矿山网络结构仍是面向安全监控的汇聚式网络,对采、掘装备的远程操作依然是单机操控或多机联动的模式,未实现面向无人开采场景下分布式机物信息交互和装备协同作业。
(2)WiFi,4G/5G 等无线通信技术,面向复杂作业场景应用,在带宽、延时、并发数量、脉冲干扰、移动性等方面还有待突破。
(3)现有相关矿山无线通信系统的设计目的是为了解决如何将生产作业过程中传感、控制、音频、视频等数据传输至地面信息中心,未能充分考虑智能开采机物协同过程对多业务信息传输的协同交互、低时延、高可靠性的要求。
(4)当前矿山生产领域使用的无线通信协议众多、各有不足且相对封闭,工业设备互联互通难,用户使用体验较差。
根据智能化开采场景中大规模机器协同作业的传输需求,亟需构建能够兼容多种协议的新一代数据传输和分发无线基础设施平台,具备融合多类现有或未来无线接入传输技术和功能网络的能力,为矿山智能化开采的实现提供基础网络平台和应用保障[3]。
图2以煤矿为例描述了矿山动态协同作业的多业务交互网络体系架构:①采用小基站+密集微基站+前置接入设备部署模式保证井下无线覆盖和移动传输的需求;②支持人、机、物之间的设备直连(Device-to-Device,D2D),进一步提高业务交互效率,并通过多跳实现应急场景中的断点续传,保证井下数据高效连续传输;③基站侧部署边缘服务器,利用移动边缘计算,实现设备的自主化管控,减少网络控制时延。
图2 智能矿山协同作业场景的无线网络架构
Fig.2 Wireless network architecture for intelligent mine cooperative operation scene
3 矿山无线通信关键技术瓶颈
面向矿山无人化开采中机物协同作业场景的网络与通信需求,在多业务交互协同网络框架[3]下需要克服以下技术瓶颈:
(1)动态受限空间非高斯脉冲干扰下的信道估计与干扰管理。如图3所示,矿山井下的巷道空间狭长多叉;开采作业环境场景多样;设备布设复杂;随着作业设备的联动及位置改变、巷道的挖掘与岩石放顶,巷道结构及电磁传输环境不断变化;工业电磁噪声突出,主要表现为非高斯脉冲干扰;空气中粉尘严重。上述因素造成矿井的无线信道传输特性复杂且特殊,信道估计及干扰管理问题严峻,限制了高可靠、高带宽、低时延的先进通信技术与通信系统在煤矿井下的应用。
(2)动态协同作业场景的网络快速响应。矿山智能开采过程中,多源、多目标数据以并发方式传输;用户业务传输的数据特点和传输需求差别很大,且动态多变。因此,在业务交互高峰时段极易出现多条链路对频谱等多类资源的竞争,引发数据拥堵、流量过载等问题,为基站的快速响应和资源分配带来了更多挑战,井下多机器业务交互的数据延续性难以得到保证。
图3 矿山电磁环境特征与信道传输特性
Fig.3 Mine electromagnetic environment and channel transmission characteristics
(3)多源异构用户的动态接入。前置接入设备的使用可在一定程度上有效保障移动用户与微基站之间的物理可靠传输。然而,接入设备的工作带宽受限,巷道电磁传输环境的动态变化、信号传输质量的不稳定以及大量多源异构用户的资源争夺等问题,使得接入网容量有限性与频谱资源匮乏之间的矛盾激化,智能机器人、设备、系统等数据的高效实时接入与传输难以得到保证。
3.1 矿山动态开采环境的无线信道估计与干扰管理
通信系统根据信道状态信息(Channel State Information,CSI),利用预编码、用户调度等方法可以对信道干扰进行管理,从而优化系统的无线信道性能。
在无线信道特性估计方面,已有研究在井下介质壁波导效应、多径问题、空-时-频色散特点以及巷道结构、设备布设和粉尘的影响等方面取得了一定的知识积累[11-13]。仅少数文献[14-15]考虑了矿山工业噪声的影响,提出并建立了德尔顿A 类(Middleton Class A,MCA)噪声和伯努利-高斯(Bernoulli-Gauss,BG)噪声2 种无记忆噪声模型。
在信道干扰管理方面,文献[16]通过设计预编码以及用户调度算法(2 用户为1 组)提高系统的平均组速率,并得到了用户主特征值均匀分布时的遍历平均组速率下界的解析表达式。文献[17]结合统计CSI 和非完美实时CSI 设计预编码最小化发射端的能量消耗和最大化用户的接收功率,并分析了只能获得统计CSI 和非完美实时CSI 两类用户的互干扰影响。文献[18]基于非完美CSI 研究了基站转发用户设备波束成形设计问题,基于线性矩阵不等式转化和半正定规划技术设计轮换优化算法使得系统的均方误差最小化。
目前有关矿山井下的无线信道特性分析、信道估计和干扰管理研究,主要面向的是静态的或以高斯噪声为背景的矿山环境。而近年来,工业物联网的相关研究发现,工业环境中的非高斯脉冲噪声对无线信道的影响非常严重[19-22]。分析和掌握工业环境中随机噪声的非平稳特点、时变特征、时间相关性等,并对其进行相应地管理和抑制,能有效提高无线系统的信道估计性能,并降低系统误码率[19-22]。因此,为进一步改善无线系统在矿山开采环境中的通信质量,必须深入挖掘矿山动态作业下非高斯工业噪声环境对信道传输的影响并设计针对非高斯噪声的预编码。
3.2 矿山多用户协同作业场景的无线资源分配
协同作业场景下周期性采集数据的高并发性与设备的高密度性等导致资源分配维度的增加。传统的集中式资源分配模式复杂度高且需要全局状态信息,响应速度较慢,无法快速做出决策,从而无法保证井下业务交互时数据的延续性。利用协同作业用户之间的物理位置及协同关系等信息,挖掘其业务属性与时变规则,针对矿井的场景特性及需求设计基于微基站的分布式缓存方式,可有效减小井下微基站的传输损耗,并使热门业务、实时数据更靠近用户端,降低用户的交互时延[23]。然而,智能矿山场景中用户的移动性、不同业务类型服务质量(Quality of Service,QoS)需求的差异性等并不是孤立存在的,需要用多元属性耦合的匹配模型来描述,这对满足高效稳定的分布式算法设计带来了挑战。
高动态作业环境下的快速网络拓扑形成和资源分配问题可以利用图论建模进行简化[24-26]。在简化的图模型中设计资源分配方法可以进一步提升网络的响应速度与决策效率。超图模型可进一步提高网络描述的准确度[24-26]。文献[27]利用超图对蜂窝系统的信道分配过程建模,仿真结果表明通过超图建模时所承载的流量比传统图模型建模时高出30%。文献[28]提出一种面向无线自组网超图干扰模型及分布式调度方案。文献[29]根据用户在不同应用中的数据需求,提出了一种基于超图覆盖模型的云数据中心节能存储策略。但现有工作只着重提升单一业务类型的传输性能,忽略了不同业务类型差异化的QoS需求。
在多用户、设备协同交互的应用驱动下,研究者在低服务时延的移动边缘计算、基于业务特性感知的存储通信、基于业务预测的智能通信等方面开展了大量工作[30-31]。这些研究工作力求从用户业务特性的角度,深入挖掘业务特性与物理层传输的内在关联,通过业务感知、内容感知的通信机制保障纷繁多变的业务传输需求。基于多业务属性耦合的资源分配方案设计也是矿山多用户协同作业场景中亟待解决的问题。
3.3 矿山多用户协同作业场景的D2D 链路资源分配
基于微基站的分布式存储虽能有效减小井下微基站传输负担,降低时延,但当用户接入过载时,微基站仍会出现下载时延高及覆盖性差等问题,无法实现井下数据的高效连续传输[32]。将移动用户也赋予分布式缓存功能[33-34],利用设备间的D2D 通信分发缓存内容,避免了相同业务的重复传输,可进一步减轻微基站的负载压力,实现无缝覆盖。
然而,D2D 链路的加入同时也加剧了业务需求与频谱资源短缺之间的矛盾,D2D 链路复用蜂窝链路频谱资源时会不可避免地产生一定数量级的同信道干扰,如何对D2D 链路与蜂窝链路的资源竞争关系建模是矿山多用户协同作业场景资源分配的关键问题。现有文献对无线网络处于单AP(Access Point)覆盖范围和多AP 覆盖范围两种场景进行了综合分析[35-36],但未考虑到D2D 通信技术的引入对网络覆盖的影响。文献[37]面向D2D 异构蜂窝网络,根据Perron-Frobenius 理论推导具有传输比特率和功率约束的物理层安全优化目标函数矩阵的等效凸形式,通过评估拉格朗日函数的近邻算子来解决该等价凸问题。文献[38]基于注水算法提出了一种用于D2D 内容分发的数据分割方法,提升了能量有效性。博弈论作为一种描述策略性决策方法的有力工具,可以对个体或群体在资源分配中的竞争关系进行建模。文献[39]提出一种基于势博弈的分布式功率分配方案,实现了功率约束下D2D 用户的总速率最大化。
当前基于D2D 通信的无线资源管理方法,针对频谱高效、能量高效与物理层安全性等不同优化目标,所构建的大多资源分配问题都是NP 难题,解决问题的思路大多借助凸优化逼近、动态规划、迭代注水等数学工具,复杂度极高,无法应用到需要较快决策响应速度的矿山多用户协同作业场景,需要借助博弈论对复杂的资源竞争关系建模。
3.4 矿山多源接入信道资源的动态分配
IEEE 802.11ah 协议标准在介质访问控制(Medium Access Control,MAC)层提出了限制窗口(Restricted Access Window,RAW)分组方式以保障多源设备的动态接入[40]。文献[41]将IEEE 802.11ah 协议用于井下安全监测传感设备的接入传输,并初步验证了其可行性。其他的接入策略,如基于周期数据传输间隔预测监视的信道访问机制[42]、基于回归分析的流量感知分组算法[43]、基于异构传输特征用户公平性最大化的启发式算法等[44],在降低信道复用竞争碰撞概率、提高信道利用率等方面也具有一定效果。然而,上述接入理论和方法多在单一信道资源下设计。
文献[45]将异构机器到机器(Machine to Machine,M2M)通信网中海量设备基于服务与传输特征进行虚拟分簇,并研究了分簇接入与多维信道资源分配资源利用率最大化问题。文献[46]面向工业M2M 通信提出了基于Lyapunov 优化和定价稳定匹配的两步联合资源分配方法,共同优化速率控制、功率分配和信道选择。文献[47]通过联合优化传输时间及分组用户错误概率达到短包传输用户有效信息需求吞吐量最大化。此外,动态的资源分配能应对信道与业务数据传输的时变问题,维持系统服务性能长时稳定。文献[48]提出基于多智能体强化学习的分布式多维通信资源优化方法以保障异构网络中下行链路用户QoS,并维持长期系统服务性能稳定可靠。文献[49]提出基于二阶隐马尔可夫模型(Hidden Markov Model,HMM)的移动预测方案,优化5G 异构网络中用户动态资源分配切换。文献[50]提出基于间隔2 型模糊逻辑控制器的信道感知卡尔曼滤波器,以解决信道状态不确定情况下用户接入调度及资源分配,保障上行特定用户QoS 与非实时系统公平性。
上述研究表明,在多用户分组及接入问题中,利用多维通信资源的分配方式更具优势。多维通信资源分配需要结合应用场景及设备数据的传输特征开展,而目前有关矿山智能化作业场景的研究还有待开展。
综上所述,要突破矿山无线通信的关键技术瓶颈,需要解决以下问题(图4):
(1)提取并分析矿山动态作业环境中的非高斯脉冲干扰特征及无线信道的空-时-频域统计特性;设计相应的信道估计以及预编码算法。
(2)深入挖掘智能矿山作业场景中多用户业务类型、QoS 需求差异以及物理层传输指标等的多维业务属性耦合匹配关系;研究用户多业务属性感知方法;设计以用户多业务属性耦合为基础的资源分配方法。
(3)紧密结合矿山用户的业务变化、业务趋同性以及通信环境的时变特性,在有限频谱资源条件下,优化矿山多源异构设备的动态调整、分组、切换与接入;实现时域、空域、编码域及功率域等多维资源的精细化协同管理和分配。
4 多业务属性驱动的矿山动态协同作业场景无线通信关键技术
针对矿山动态协同作业场景的通信需求和矿山无线通信当前的技术瓶颈,本文提出基于多业务属性驱动的无线通信模式,如图5所示。利用无线信道的非高斯脉冲干扰空-时-频域动态统计规律,对无线系统捕获的非完美CSI 进行估计;利用设计合理的预编码,抑制矿井的工业噪声,提升链路质量和系统容量;根据矿山作业场景相关业务特性、服务质量与物理层传输指标的内在关联,采取超图映射和边权赋值实现用户或设备的多维业务属性感知;综合运用超图匹配、图论、博弈论、非正交多址接入技术(Non-Orthogonal Multiple Access,NOMA)等方法,从信道-链路-业务快速多维匹配的角度解决多用户协同交互传输通信链路和信道的匹配、多跳用户链路匹配、多业务QoS 要求与链路匹配等快速匹配问题。
图4 智能矿山协同作业场景下的无线通信关键技术
Fig.4 Key technical problems of wireless communication in the intelligent mine collaborative operation scenario
图5 基于业务属性驱动的矿山动态协同作业场景无线通信模式
Fig.5 Wireless communication solution based on service attribute driven characteristics for mine dynamic collaborative operation scenario
4.1 矿山动态开采环境的非完美CSI 估计及预编码设计
采、掘、运等大型机电装备的位置变化、启动时产生的电磁脉冲干扰,运行时供电电流会随着作业环境、功率需求波动,造成作业环境下无线信道特性的变化,严重影响井下信道估计和网络性能优化的效果。为提升通信链路质量和系统容量,矿山动态开采环境的非完美CSI 估计及预编码设计应当在充分了解矿井工业噪声背景中无线信道特性的基础上展开。
如图6所示,需利用矿山动态作业环境中的实际场景测试数据,通过统计方法对井下的随机脉冲噪声和周期性脉冲噪声进行特征提取与分析;结合马尔科夫链脉冲模型与伯努利复高斯模型,描述随机脉冲噪声的时间相关性,建立有记忆的随机脉冲噪声模型;利用噪声脉冲幅度、宽度、周期等参数构建周期性矩形脉冲,将其以加权方式与基础噪声相结合,建立同步于工频的噪声干扰模型,用于对无线信道冲击响应的动态去噪。针对去噪后的信道响应,可设计基于辅助导频的信道估计算法,形成可利用的非完美CSI;也可根据信道大尺度衰落和小尺度衰落的特点,形成符合矿山开采环境的信道的空-时-频域统计信道模型,从而形成统计学CSI。
图6 矿山动态开采环境的CSI 估计及预编码设计
Fig.6 CSI estimation and precoding design for mine dynamic mining environment
基于脉冲噪声模型和信道估计,利用凸优化和非线性规划技术可求解最优预编码向量;通过分组空时编码和波束成形联合处理技术,可抑制脉冲噪声对系统容量的影响。在接收端采用混合消噪法对预编码设计的信号进行脉冲噪声消除可降低传输误码率。针对多用户多业务的编解码矩阵及信道复用,需将用户进行虚拟分簇,通过用户分簇算法和双层预编码矩阵消除虚拟用户簇间的干扰并提高传输性能。
4.2 矿山多用户协同作业场景的无线资源快速多维匹配
4.2.1 无线网络频谱资源的快速多维匹配
矿山协同作业场景下,为了能够快速响应用户设备的动态业务传输需求变化,及时调度网络资源,需充分利用协同作业用户之间的物理位置及协同关系等信息,挖掘其业务属性及其时变规则,寻找多源业务属性耦合驱动的频谱资源管理方法。超图方法是解决这一技术问题的有效途径。
如图7所示,通过将矿山用户任意数目节点的业务交互关系抽象为超边,建立物理域中设备节点向多源业务交互的虚拟域节点的映射,其中,M 为超图匹配关联矩阵;E1～E4 为超边标号;c1～c3 为边缘服务器的标号;m1～m8 为用户/设备节点的标号。随后,当图中发生业务交互时,使用超图匹配与最大独立集搜索,为工作面中的物理设备选择业务卸载方向。当业务卸载完成后,系统可为不同设备节点分配满足差异化业务需求的无线网络的频谱资源。为了进一步降低无线系统中多节点因共享频谱资源而造成的累积干扰,可根据干扰者的互干扰程度将用户分成独立干扰者和累积干扰者这两类。利用超图理论,将任意数量节点之间的互干扰关系抽象为超边,根据不同业务类型节点之间的互干扰状态完善干扰超图的构建。根据节点度得到最少可用的子信道数。并按照节点度从高到低依次删除节点,分析删除后的子超图结构,直到找到具有最大度的节点。之后将信道类比为不同的颜色并按节点删除的倒序依次将每个节点染色,从而使得从属于同一超边的节点所使用的频谱正交,有效避免用户的互干扰。
图7 物理设备域到信息业务域的虚拟映射
Fig.7 Virtual map of physical device domain to information service domain
随着网络拓扑的动态演进,超图染色能够快速响应拓扑结构的变化,以较低的复杂度,实现信道重分配(重染色)、业务属性与网络资源的动态匹配优化,提升无线网络交互效率。
4.2.2 D2D 链路资源的匹配
矿井下多源业务数据交互时可能出现某一设备节点业务繁忙、意外掉电或设备损坏等应急状况,为了保证上述情况突发时通信系统能够实现断点续传,可以采用博弈论设计单跳/多跳D2D 的自适应链路接入机制,如图8所示。
根据用户节点业务域的差异化业务类型建立不同的业务集群,即同一集群节点具有相同的业务类型及属性,且同一集群内节点可以通过建立单跳或多跳链路实现业务交互。
图8 基于业务属性感知的D2D 单跳/多跳自适应链路建立示意
Fig.8 Schematic diagram of D2D single-hop/multi-hop adaptive link establishment based on service attribute awareness
由于同一业务集群内可以形成任意跳传输,不同用户节点根据社交集群及物理链路状态信息,通过联盟形成博弈(Coalition Formation Game)做出单跳/多跳链路建立决策,实现传输距离、业务类型相似度和传输成功概率3 者之间的均衡。
类比图论中的旅行商问题(Travel Saleman Problem,TSP),以使用最短路优化算法或最小生成树算法实现多跳D2D 链路的最优路径选择,进一步降低传输时延。
D2D 链路与现有蜂窝链路竞争频谱资源时会引入一定数量级的互干扰,且智能化开采和机器人应用中业务交互时QoS 的差异化需求与拓扑结构都是动态演变的,采用基于匹配博弈的D2D 通信频谱资源管理方式,实现动态拓扑结构下资源分配决策实时性与系统性能之间的折衷。
首先,通过速率、优先级、时延等不同指标来综合表征井下交互业务在时延、丢包率、抖动、有效速率与优先级等不同方面的差异化QoS,利用层次分析法(Analytic Hierarch Process,AHP)算法衡量各个参数在系统中的权重,构建基于多业务差异化QoS 的自适应效用函数。如图9所示,将构建的效用函数反映到多维匹配图的边权值中,利用多维匹配博弈(匹配独立集维度k≥3),以解决整体系统容量最大化、传输时延最小化等多目标耦合的资源优化分配问题,图9中,Ns 为微基站标号;Np 为信道标号;Nr 为链路标号。以3-维匹配为例,如图10所示,首先对用户节点到达和消失的过程进行建模,然后利用机器学习训练节点、业务和无线网络频谱资源之间进行匹配博弈的最佳时刻,以达到整体干扰和用户业务体验质量的均衡,图10中,u1～u4 为用户标号;s1～s4 为信道标号;M1～M4 为业务标号;t 为时刻。
图9 多通信链路混合网络频谱资源的K-维匹配方法
Fig.9 K-dimension matching method for multi-communication link mixed network spectrum resources
4.3 矿山多源异构用户的动态接入与多维通信资源分配
针对矿山各生产作业环节的动态实时协同需要传感、控制、音频、视频等多种类型、多种传输要求接入需求,本文采用基于联合正交多址和时分多址接入(Non - Orthogonal Multiple - Access - Time Division Multiple Access,NOMA-TDMA)方式,优化矿山多源异构设备的动态调整、分组与切换;基于动态图匹配理论、马尔科夫决策,实现对信道状态、数据传输特征、业务属性等多维资源的精细化协同管理和快速动态分配。
图10 业务属性驱动的3-维动态二分图匹配
Fig.10 3-dimensional dynamic bipartite graph matching driven by service characteristics
针对传感监测等周期性数据,将其传输时间划分为长度不等的时隙,每个时隙可分配给多个用户节点,相同时隙的多个节点通过非正交多址的方式进行传输。如图11所示,在NOMA-TDMA 框架下,综合考虑用户发送功率、服务质量、可用时隙等约束条件,建立最优化用户数、系统公平性、时延、QoS 权衡等优化问题,图11中,T 为总传输时间;γij 为第i,j 个节点间传输所用的时隙系数。通过变量替换和函数构造等方式将原本的非凸优化问题转化成凸优化问题。在正交信道多用户传输场景中,通过子信道或时隙分配方式为数据传输分配专用信道和传输时隙,建立用户-信道间的组合匹配优化问题。由于该问题通常建模为NP-hard 的非线性整数规划问题,难以求解,可通过图匹配、博弈论等方法对问题求解。
图11 基于NOMA-TDMA 的矿山多源异构用户时隙分配
Fig.11 NOMA-TDMA-based time slot allocation for multi-source heterogeneous users in mines
针对非周期性数据传输用户,可以结合IEEE 802.11ah 协议采用竞争与时隙的分组方式,如图12所示,在时域上构建多个竞争时隙窗口,根据用户数据生成特征及QoS 需求,将用户分组至各个竞争时隙窗口。分配到同一时隙窗口的用户,当有数据发送时,采用竞争方式进行数据传输。在该模式下,建立系统时延最小、组内碰撞概率最小、吞吐量最大化的分组及组合优化问题,并采用启发式算法、超启发式算法、智能优化算法等简化求解。
图12 竞争与时隙分组示意
Fig.12 Schematic diagram of contention and slot grouping scheme
在用户接入后,根据开采环境中的信道特征以及应用业务的传输需要,建立动态资源分配转移模型及系统性能优化问题,利用动态图匹配、马尔科夫决策等实现信道多维资源的快速分配。
5 结 论
(1)传统的单向汇聚式混合异构网络传输方式不足以为无人开采的分布式机物信息交互和装备协同作业提供网络支撑。
(2)以新一代数据传输和分发技术为基础的多业务交互网络体系更符合矿山无人化开采中机物协同作业场景的网络需求,但仍有以下技术瓶颈亟需解决:①动态受限空间非高斯脉冲干扰下的信道估计与干扰管理;②动态协同作业场景的网络快速响应;③多源异构用户的动态接入等。
(3)如何利用矿山用户、设备群体的协同作业特点和对应的动态业务属性,有针对性地对通信网络的物理信道、物理资源进行管理和分配,是从根本上有效优化网络可靠性,提高传输效率的关键。要突破矿山无线通信的关键技术瓶颈,可以从以下几个方面进行解决:①基于矿山动态作业环境中非高斯脉冲干扰特征和无线信道统计学特性的非完美CSI 估计及预编码设计;②基于超图映射和边权赋值的用户多维业务属性感知和耦合匹配;③基于超图染色、图论、博弈论、非正交多址接入等技术,优化矿山多源异构设备的动态调整、分组、切换与接入;实现时域、空域、编码域及功率域等多维资源的精细化协同管理和分配。
在上述分析基础上,本文提出了一种多业务属性驱动的矿山动态协同作业场景无线通信模式,从信道-链路-业务多维匹配的角度实现矿山用户的无线资源快速分配,对推动矿山智能化开采技术革命有重要意义。
[1] 袁亮.煤炭精准开采科学构想[J].煤炭学报,2017,42(1):1-7.YUAN Liang.Scientific conception of precision coal mining[J].Journal of China Coal Society,2017,42(1):1-7.
[2] 王国法,王虹,任怀伟,等.智慧煤矿2025 情景目标和发展路径[J].煤炭学报,2018,43(2):295-305.WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.
[3] 王国法,赵国瑞,胡亚辉.5G 技术在煤矿智能化中的应用展望[J].煤炭学报,2020,45(1):16-23.WANG Guofa,ZHAO Guorui,HU Yahui.Application prospect of 5G technology in coal mine intelligence [J].Journal of China Coal Society,2020,45(1):16-23.
[4] 王子铭,王思涵.工信部、应急管理部召开煤炭行业工业互联网应用工作座谈会[ EB/OL].https:/ /www.sohu.com/a/380319858_354877,2020-03-12.
[5] FOROOSHANI Arghavan Emami,BASHIR Shahzad,MICHELSON David G,et al.A survey of wireless communications and propagation modeling in underground mines[J].IEEE Communications Surveys & Tutorials,2013,15(4):1524-1545.
[6] 张帆,赵思羽,邹安平.多模式矿井移动应急通信系统设计及性能分析[J].煤炭学报,2015,40(S2):583-590.ZHANG Fan,ZHAO Siyu,ZOU Anping.Analysis on performance of multimode-based scheme for mine mobile emergency communication system[J].Journal of China Coal Society,2015,40(S2):583-590.
[7] ZHAO Haojiang,YANG Wei.An emergency rescue communication system and environmental monitoring subsystem for underground coal mine based on wireless mesh network[J].International Journal of Distributed Sensor Networks,2018,14(10):1-20.
[8] YAN Lincan,ZHOU Chenming,REYES Miguel,et al.Mathematical modeling and measurement of electric fields of electrodebased through-the-earth(TTE)communication[J].Radio Science,2017,52(6):731-742.
[9] VICTORIA Gómez-Guillamón Buendía,SYMON K Podilchak,GEORGE Goussetis,et al.A smart cable offering selective and distributed antenna radiation using RF switches and non-conventional hybrid couplers[J].Antennas and Propagation,IEEE Transactions on,2018,66(11):6346-6351.
[10] 范丽芳,任志青.推进5G 井下矿用 山西阳煤集团建成全国首个5G 煤矿专网[EB/OL].http:/ /stdaily.com/qykj/qianyan/2020-05/09/content_936597.shtml,2020-05-20.
[11] 霍羽,郑红党,胡延军,等.矿用天线在矩形巷道中应用的最佳波束指标[J].煤炭学报,2017,42(10):2776-2782.HUO Yu,ZHENG Hongdang,HU Yanjun,et al.Optimum beam index of mine antenna used in rectangular tunnels[J].Journal of China Coal Society,2017,42(10):2776-2782.
[12] ALOK Ranjan,SAHU H B,PRASANT Misra.Modeling and measurements for wireless communication networks in underground mine environments[J].Measurement,2020,149:1-12.
[13] ZHANG Xingqi,SARRIS Costas D.Vector parabolic equation based derivation of rectangular waveguide surrogate models of arched tunnels[J].IEEE Transactions on Antennas and Propagation,2018,66(3):1392-1403.
[14] WIKLUNDH K C,STENUMGAARD P F,TULLBERG H M.Channel capacity of Middleton’s class A interference channel[J].Electronics Letters,2009,45(24):1227-1229.
[15] HUNG V Vu,NGHI H Tran,TRUYEN V Nguyen,et al.Estimating Shannon and constrained capacities of Bernoulli-Gaussian impulsive noise channels in Rayleigh fading[J].IEEE transactions on Communications,2014,62(6):1845-1856.
[16] CAO Qi,SUN Yanjing,NI Qiang,et al.Statistical CSIT aided user scheduling for broadcast MU-MISO system[J].IEEE Transactions on Vehicular Technology,2017,66(7):6102-6114.
[17] QIU Shuang,CHEN Da,QU Daiming,et al.Downlink precoding with mixed statistical and imperfect instantaneous CSI for massive MIMO systems[J].IEEE Transactions on Vehicular Technology,2018,67(4):3028-3041.
[18] YU Haiyang,DUAN Wei,SUN Qiang,et al.Generalized beamforming design for cooperative MIMO multirelay networks with infinite constraints and imperfect CSI[J].Mathematical Problems in Engineering,2018,2018(3):1-8.
[19] 张克,刘留,袁泽,等.工业物联网无线信道与噪声特性[J].电信科学,2018,34(8):87-97.ZHANG Ke,LIU Liu,YUAN Ze,et al.Wireless channel and noise characteristics in industrial internet of things[J].China Academic Journal Electronic Publishing House,2018,34(8):87-97.
[20] RUISI He,BO Ai,GORDON L Stuber,et al.Mobility model based non-stationary mobile-to-mobile channel modeling [ J].IEEE Transactions on Wireless Communications,2018,17(7):4388-4400.
[21] DARIO Fertonani,GIULIO Colavolpe.On reliable communications over channels impaired by bursty impulse noise[J].IEEE Transactions on Communications,2009,57(7):2024-2030.
[22] LÜ Xinrong,LI Youming,WU Yongqing,et al.Joint channel estimation and impulsive noise mitigation method for OFDM systems using sparse Bayesian learning[J].IEEE Access,2019 (7):74500-74510.
[23] 宣以所,吴敏娜.异构立体组网模式下微基站标准化建设[J].电信科学,2019,35(S1):144-151.XUAN Yisuo,WU Minna.Standardization construction of microbase station under heterogeneous stereo networking mode[J].Telecommunications Science,2019,35(S1):144-151.
[24] ABDULLAH M Almasoud,AHMED E Kamal.Energy efficient multicasting in cognitive radio networks[A].ICC 2017-2017 IEEE International Conference on Communications [C].Paris: IEEE Press,2017.
[25] LIU Mingxia,GAO Yue,YAP Pew Thian,et al.Multi-hypergraph learning for incomplete multimodality data[J].IEEE Journal of Biomedical and Health Informatics,2018,22(4):1197-1208.
[26] FRANCESCO Sasso,ANGELO Coluccia,GIUSEPPE Notarstefano.Interaction-based distributed learning in cyber-physical and social networks[J].IEEE Transactions on Automatic Control,2020,65(1):223-236.
[27] SARKAR S,SIVARAJAN K N.Hypergraph models for cellular mobile communication systems[J].IEEE Transactions on Vehicular Technology,1998,47(2):460-471.
[28] LI Qiao,NEGI Rohit.Maximal scheduling in wireless ad hoc networks with hypergraph interference models[J].IEEE Transactions on Vehicular Technology,2012,61(1):297-310.
[29] YANG Ting,PEN Haibo,LI Wei,et al.An energy-efficient storage strategy for cloud datacenters based on variable K-coverage of a hypergraph[J].IEEE Transactions on Parallel and Distributed Systems,2017,28(12):3344-3355.
[30] HE Jianzhang,WANG Haibo,CHU Xiaoli,et al.Incentive mechanism and content provider selection for device-to-device-based content sharing[J].IEEE Transactions on Vehicular Technology,2019,68(3):2946-2957.
[31] TANG Mingdong,ZHENG Zibin,KANG Guosheng,et al.Collaborative web service quality prediction via exploiting matrix factorization and network map[J].IEEE Transactions on Network and Service Management,2016,13(1):126-137.
[32] 王莉,冯志勇,张平.面向分布式缓存系统的无线资源管理:动机、挑战与方法[J].电信科学,2017,33(3):83-94.WANG Li,FENG Zhiyong,ZHANG Ping.Wireless resource allocation for distributed caching system:Motivation,challenge and solution[J].China Academic Journal Electronic Publishing House,2017,33(3):83-94.
[33] NEGIN Golrezaei,ALEXANDROS G Dimakis,ANDREAS F Molisch.Scaling behaviour for device-to-device communications with distributed caching[J].IEEE Transactions on Information Theory,2014,60(7):4286-4298.
[34] ZHANG Rongqing,CHENG Xiang,YAO Qi,et al.Graph-based resource sharing in vehicular communication[J].IEEE Transactions on Wireless Communications,2018,17(7):4579-4592.
[35] QIN Xiaoqi,YUAN Xu,ZHANG Zhi,et al.Joint user-AP association and resource allocation in multi-AP 60-GHz WLAN[J].IEEE Transactions on Vehicular Technology,2019,68(6):5696-5710.
[36] SHI Jianfeng,CHEN Ming,ZHANG Wence,et al.Dynamic AP clustering and precoding for user-centric virtual cell networks[J].IEEE Transactions on Communications,2019,67 (3):2504 -2516.
[37] ZHANG Kecheng,PENG Mugen,ZHANG Ping,et al.Secrecy-optimized resource allocation for device-to-device communication underlaying heterogeneous networks[J].IEEE Transactions on Vehicular Technology,2017,66(2):1822-1834.
[38] HUANG Jun,HUANG Chao,XING Congcong,et al.An energy-efficient communication scheme for collaborative mobile clouds in content sharing:design and optimization[J].IEEE Transactions on Industrial Informatics,2019,15(10):5700-5707.
[39] ANDEA Abrardo,MARCO Moretti.Distributed power allocation for D2D communications underlaying/overlaying OFDMA cellular networks[J].IEEE Transactions on Wireless Communications,2017,16(3):1466-1479.
[40] ALI M Zulfiker,JELENA Mišic',VOJISLAV B Mišic'.Performance evaluation of heterogeneous IoT nodes with differentiated QoS in IEEE 802.11ah RAW mechanism[J].IEEE Transactions on Vehicular Technology,2019,68(4):3905-3918.
[41] 王倩玉,陈岩,杨俊秋,等.基于IEEE 802.11ah 的井下安全监测传感网性能分析[J].工矿自动化,2019,45(6):21-26.WANG Qianyu,CHEN Yan,YANG Junqiu,et al.Performance analysis of underground safety monitoring wireless sensor network based on IEEE 802.11ah[J].Industry and Mine Automation,2019,45(6):21-26.
[42] NURZAMAN Ahmed,MD Iftekhar Hussain.Periodic traffic scheduling for IEEE 802.11ah networks[J].IEEE Communications Letters,2020,24(7):1510-1513.
[43] CHANG Tungchun,LIN Chihan,LIN Kate Chingju,et al.Traffic-aware sensor grouping for IEEE 802.11ah networks:regression based analysis and design[J].IEEE Transactions on Mobile Computing,2019,18(3):674-687.
[44] LAKSHMI L Rajya,SIKDAR Biplab.Fair scheduling in IEEE 802.11ah networks for internet of things applications [ A].2019 IEEE Global Communications Conference ( GLOBECOM )[C].Waikoloa:IEEE Press,2019:1-7.
[45] CHAI Rong,MA Zhangfeng,LIU Changzhu,et al.Service characteristics-oriented joint ACB,cell selection,and resource allocation scheme for heterogeneous M2M communication networks [J].IEEE Systems Journal,2019,13(3):2641-2652.
[46] ZHOU Zhenyu,GUO Yufei,HE Yanhua,et al.Access control and resource allocation for M2M communications in industrial automation[J].IEEE Transactions on Industrial Informatics, 2019,15(5):3093-3103.
[47] CHEN Jie,ZHANG Lin,LIANG Yingchang,et al.Resource allocation for wireless-powered IoT networks with short packet communication[J].IEEE Transactions on Wireless Communications,2019,18(2):1447-1461.
[48] ZHAO Nan,LIANG Yingchang,NIYATO Dusit,et al.Deep reinforcement learning for user association and resource allocation in heterogeneous cellular networks[J].IEEE Transactions on Wireless Communications,2019,18(11):5141-5152.
[49] TIAN Songqi,LI Xi,HONG Ji,et al.Mobility prediction method to optimize resource allocation in heterogeneous networks[A].2019 IEEE International Conference on Communications Workshops (ICC Workshops)[C].Shanghai:IEEE Press,2019:1-6.
[50] MARDANI Mohammad Reza,GHANBARI Mohammad.Robust resource allocation scheme under channel uncertainties for LTE-A systems[J].Wireless Networks,2019,25(3):1313-1325.
