?

基于MLD的物聯(lián)網(wǎng)感知層行為建模方法

許建龍，劉桂雄

（華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州510640）

摘要：針對(duì)物聯(lián)網(wǎng)感知終端多樣性、任務(wù)復(fù)雜等特點(diǎn)，采用混合邏輯動(dòng)態(tài)（MLD）建模方法，推出物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為統(tǒng)一表達(dá)式。首先，把物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為用狀態(tài)變量、輸入變量和輔助變量來(lái)描述；其次，將物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為中操作約束、邏輯規(guī)則和連續(xù)動(dòng)態(tài)特性集成為帶有混合整數(shù)不等式約束的狀態(tài)方程形式。通過(guò)此模型可在宏觀上把握系統(tǒng)過(guò)程行為，考慮系統(tǒng)操作約束、定性知識(shí)等因素，為測(cè)控系統(tǒng)協(xié)調(diào)優(yōu)化奠定重要基礎(chǔ)。結(jié)合建立機(jī)動(dòng)車運(yùn)行安全監(jiān)測(cè)系統(tǒng)模型的應(yīng)用實(shí)例，結(jié)果表明建模方法的可行性、合理性、有效性。

關(guān)鍵詞：物聯(lián)網(wǎng)；感知層；混合邏輯動(dòng)態(tài)；機(jī)動(dòng)車運(yùn)行安全監(jiān)測(cè)

收到修改稿日期：2013-03-17

0　引言

物聯(lián)網(wǎng)感知終端多樣性、任務(wù)復(fù)雜性，一定程度上影響系統(tǒng)分析時(shí)模型的準(zhǔn)確建立、輸入輸出關(guān)系的快速識(shí)別及實(shí)時(shí)性措施的正確制定，因此研究物聯(lián)網(wǎng)平臺(tái)感知層行為建模方法意義重大?？紤]到基于混合邏輯動(dòng)態(tài)（mixed logic dynamic，MLD）模型能將相互依賴物理規(guī)律、邏輯法則和操作約束共同描述系統(tǒng)，非常適合于物聯(lián)網(wǎng)感知層測(cè)控系統(tǒng)等兼具離散、連續(xù)動(dòng)態(tài)特性系統(tǒng)建模。國(guó)內(nèi)外大量學(xué)者開(kāi)展將系統(tǒng)描述作為滿足MLD系統(tǒng)模型的數(shù)學(xué)形式的研究，如法國(guó)巴黎工程學(xué)院Gaid MEMB等研究網(wǎng)絡(luò)控制系統(tǒng)在帶寬受限下優(yōu)化控制與調(diào)度問(wèn)題，建立系統(tǒng)在帶寬受限連續(xù)事件、離散時(shí)間下的MLD模型，并用于汽車懸架系統(tǒng)調(diào)度[1]；日本北海道大學(xué)Miao Du等研究多飛行器編隊(duì)飛行協(xié)同問(wèn)題，建立基于MLD三維主從配置編隊(duì)飛行模型，保證飛行器能夠協(xié)調(diào)有序工作[2]；意大利錫耶鈉大學(xué)Bemporad Alberto等對(duì)無(wú)線測(cè)控系統(tǒng)進(jìn)行實(shí)驗(yàn)研究，通過(guò)邏輯轉(zhuǎn)換建立系統(tǒng)MLD模型，得到系統(tǒng)輸入輸出變量邏輯表達(dá)式[3]。此外，MLD方法在工業(yè)過(guò)程控制、化工流程批處理控制等方面也得到廣泛應(yīng)用[4-6]?？深A(yù)見(jiàn)，它在物聯(lián)網(wǎng)感知層測(cè)控系統(tǒng)中也有廣闊前景。

本文將采用MLD建模方法，致力于構(gòu)建一個(gè)統(tǒng)一物聯(lián)網(wǎng)感知層行為模型框架，并通過(guò)實(shí)例檢驗(yàn)?zāi)Ｐ涂尚行浴?/p>

1　基于MLD的物聯(lián)網(wǎng)感知層行為建模

圖1為感知層應(yīng)用場(chǎng)景抽象分層結(jié)構(gòu)圖。圖中物聯(lián)網(wǎng)感知層分為感知設(shè)備層、設(shè)備網(wǎng)絡(luò)層、設(shè)備協(xié)調(diào)層。其中感知設(shè)備層可抽象為感測(cè)組件、受控組件，感測(cè)組件包括傳感器、RFID、條形碼、智能檢測(cè)儀器儀表等，受控組件包括閥門開(kāi)關(guān)、繼電器、某些按照邏輯關(guān)系工作環(huán)節(jié)等執(zhí)行器設(shè)備，實(shí)現(xiàn)信號(hào)采集、處理、控制等功能；設(shè)備網(wǎng)絡(luò)層包括各種總線如CAN總線、RS-485總線等，或無(wú)線如WSN、藍(lán)牙、WiFi等，實(shí)現(xiàn)感知設(shè)備間、感知設(shè)備與物聯(lián)網(wǎng)網(wǎng)關(guān)（協(xié)調(diào)器）間的通信連接；設(shè)備協(xié)調(diào)層即物聯(lián)網(wǎng)網(wǎng)關(guān)，負(fù)責(zé)收集感測(cè)組件數(shù)據(jù)、控制受控組件執(zhí)行某動(dòng)作、協(xié)調(diào)各節(jié)點(diǎn)有序工作等，實(shí)現(xiàn)對(duì)感知設(shè)備的統(tǒng)一管理，通過(guò)實(shí)時(shí)調(diào)度，使感知層更實(shí)時(shí)、可靠。

圖1　物聯(lián)網(wǎng)感知層應(yīng)用場(chǎng)景抽象分層結(jié)構(gòu)圖

1.1物聯(lián)網(wǎng)感知層行為MLD建模方法描述

圖2為物聯(lián)網(wǎng)感知層MLD建模方法圖。在分析物聯(lián)網(wǎng)感知層連續(xù)事件與離散事件基礎(chǔ)上，建立系統(tǒng)狀態(tài)空間數(shù)學(xué)模型，對(duì)應(yīng)系統(tǒng)不同運(yùn)行模態(tài)或者不同區(qū)域范圍，設(shè)置、定義不同輔助邏輯變量，對(duì)涉及約束建立命題邏輯并轉(zhuǎn)化為整數(shù)不等式，通過(guò)引入輔助變量將線性函數(shù)、邏輯變量之間乘積關(guān)系轉(zhuǎn)化為混合整數(shù)不等式形式，最后將系統(tǒng)連續(xù)、離散兩部分集成在一個(gè)統(tǒng)一框架下，把整個(gè)系統(tǒng)描述成混合邏輯動(dòng)態(tài)模型形式。

圖2　物聯(lián)網(wǎng)感知層MLD建模方法圖

感知層通過(guò)感測(cè)節(jié)點(diǎn)獲取測(cè)控對(duì)象信息，協(xié)調(diào)器節(jié)點(diǎn)根據(jù)測(cè)控信息制定調(diào)度決策策略，受控節(jié)點(diǎn)又根據(jù)協(xié)調(diào)器執(zhí)行相應(yīng)決策，連續(xù)與離散事件描述所表述物理意義表現(xiàn)在：（1）整體行為呈現(xiàn)出信息獲取、調(diào)度決策、決策執(zhí)行3狀態(tài)循環(huán)更迭，即跳躍式離散狀態(tài)變遷（如圖3）；（2）微觀上看，整體行為又間歇式地表現(xiàn)出連續(xù)性演化，二者交替演進(jìn)，形成錯(cuò)綜復(fù)雜的動(dòng)態(tài)過(guò)程。下面采用MLD建模方法，對(duì)物聯(lián)網(wǎng)感知層整體測(cè)控行為進(jìn)行描述，得出感知層行為MLD模型。

圖3　感知層測(cè)控過(guò)程狀態(tài)演變模型圖

1.2感知層測(cè)控行為統(tǒng)一MLD建模

1.2.1測(cè)控行為連續(xù)動(dòng)態(tài)狀態(tài)空間機(jī)理模型建立

在圖2中，感知層測(cè)控行為過(guò)程涉及各種連續(xù)事件、離散事件及其混合事件，難以用一般的微分?jǐn)?shù)學(xué)方程表示。如果把感知層中感測(cè)節(jié)點(diǎn)能量隨時(shí)間連續(xù)遞減等狀態(tài)事件作為連續(xù)事件，把感知層整體測(cè)控行為邏輯狀態(tài)轉(zhuǎn)移事件、感知層節(jié)點(diǎn)內(nèi)部判斷決策事件、受控組件執(zhí)行決策事件等作為離散事件，并假設(shè)感知層整體行為呈現(xiàn)出信息獲取、調(diào)度決策、執(zhí)行決策3狀態(tài)循環(huán)的非線性更迭狀態(tài)，某時(shí)刻狀態(tài)為x（t），下一時(shí)刻狀態(tài)為x（t+1），導(dǎo)致感知層狀態(tài)變化輸入為u（t），信息獲取狀態(tài)為f（1x（t），u（t）），調(diào)度決策狀態(tài)為f（2x（t），u（t）），執(zhí)行決策為f（3x（t），u（t）），某狀態(tài)下約束條件集合為Xi，3狀態(tài)約束集合為X={X1，X2，X3}，感知層整個(gè)測(cè)控行為基于不同約束條件，在3狀態(tài)模型之間轉(zhuǎn)換，那么用分段函數(shù)形式表示的感知層測(cè)控行為過(guò)程數(shù)學(xué)模型為

這是對(duì)感知層測(cè)控行為的宏觀描述，實(shí)際上每個(gè)狀態(tài)內(nèi)還包含很多子過(guò)程行為，X子集Xi內(nèi)部包含此狀態(tài)下不同子過(guò)程行為約束。

1.2.2測(cè)控行為過(guò)程約束命題轉(zhuǎn)換

令感知層每個(gè)狀態(tài)下約束條件集合X（ii=1，2，3）X中每個(gè)子集Xi，Xi滿足：

設(shè)每個(gè)子集Xi表示為x、u約束的互不相交的凸多面體[7]，系統(tǒng)狀態(tài)x（t）與輸入u（t）空間凸多面體集約束集為Ti，多面體中x（t）約束的相關(guān)系數(shù)為Si，多面體中u（t）約束的相關(guān)系數(shù)為Ri，即：

對(duì)于狀態(tài)Xi，引入邏輯變量δi∈{0，1}i=1，2，3，系統(tǒng)處于狀態(tài)Xi時(shí)δi=1，由于每個(gè)邏輯變量對(duì)應(yīng)的每一狀態(tài)不相交，故有：

那么，由式（3）和式（4），可推得：

[δi=1] →[Six（t）+Riu（t）≤Ti]（5）

設(shè)Sij、Rij分別為多面體中x（t）約束相關(guān)系數(shù)Si和u（t）約束相關(guān)系數(shù)Ri的第j行，且每個(gè)狀態(tài)內(nèi)部包含n個(gè)子約束，那么式（5）可寫(xiě)為

由式（5）、式（6），結(jié)合MLD命題邏輯規(guī)則，可推得等價(jià)不等式：

這樣，就完成感知層狀態(tài)空間模型中約束命題的帶邏輯變量整數(shù)不等式表示。

1.2.3測(cè)控行為過(guò)程混合不等式生成

為了使感知層行為空間模型中的連續(xù)事件與邏輯事件，用一個(gè)統(tǒng)一表達(dá)式表示?；谇懊嬉岩氲倪壿嬜兞喀膇（t），式（1）分段函數(shù)模型可表達(dá)成：

令Zi（t）=fi[x（t），u（t）] ，δi（t）作為輔助連續(xù)變量，則有：

若感知層每個(gè)狀態(tài)空間內(nèi)部包含對(duì)應(yīng)n個(gè)子約束的子狀態(tài)都有連續(xù)事件，則對(duì)應(yīng)每個(gè)狀態(tài)子狀態(tài)可表示為

則利用MLD命題邏輯規(guī)則，可得Zi（t）=fi[x（t），u（t）] δi（t）的等價(jià)不等式為

令需選取Mi矩陣中的最大值Mj及其組成的n行矩陣為M，即：

令需選取mi矩陣中的最小值為mj及其組成的n行矩陣為m，即：

這樣，就完成感知層行為空間模型中分段函數(shù)與邏輯變量之間乘積關(guān)系的混合整數(shù)不等式形式表示。

1.2.4測(cè)控行為過(guò)程統(tǒng)一MLD模型表達(dá)式表示

若感知層測(cè)控行為過(guò)程空間模型中x（t）的整體系數(shù)矩陣為A，u（t）的整體系數(shù)矩陣為B，則綜合式（4）、式（7）、式（13）、式（15）、式（16），可得式（1）的MLD模型表達(dá)式，即感知層測(cè)控過(guò)程行為統(tǒng)一MLD模型表達(dá)式為

通過(guò)此模型表達(dá)式，把物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為的分段函數(shù)用包含狀態(tài)變量、輸入變量和輔助變量來(lái)描述，將物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為中操作約束、邏輯規(guī)則和連續(xù)動(dòng)態(tài)特性集成為帶有混合整數(shù)不等式約束的狀態(tài)方程形式。在統(tǒng)一MLD模型框架下，可在宏觀上把握系統(tǒng)過(guò)程行為，考慮系統(tǒng)操作約束、定性知識(shí)等因素，為測(cè)控系統(tǒng)協(xié)調(diào)優(yōu)化奠定重要基礎(chǔ)。

2　應(yīng)用例

下面闡述基于MLD的物聯(lián)網(wǎng)感知層行為建模方法在機(jī)動(dòng)車運(yùn)行狀態(tài)監(jiān)測(cè)（Vehicle operating safe state monitoring，VOSM）中的應(yīng)用。機(jī)動(dòng)車運(yùn)行狀態(tài)監(jiān)測(cè)利用安裝在車身、輪轂和懸掛的智能感測(cè)節(jié)點(diǎn)對(duì)與機(jī)動(dòng)車運(yùn)行安全直接相關(guān)的運(yùn)動(dòng)姿態(tài)參數(shù)（movement posture parameters，MAP）、動(dòng)載荷參數(shù)（dynamic load parameters，DLP）、制動(dòng)性能參數(shù)（braking performance parameters，BPP）機(jī)動(dòng)車運(yùn)動(dòng)姿態(tài)、動(dòng)載荷、制動(dòng)參數(shù)、排放參數(shù)、位置參數(shù)等進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)。圖4為VOSM系統(tǒng)基本結(jié)構(gòu)示意圖[8-12]，其中機(jī)動(dòng)車MAP包括車身MAP和車輪MAP，機(jī)動(dòng)車DLP包括車輪DLP和整車載荷、輪胎壓力和溫度，機(jī)動(dòng)車BPP包括車輪滑移率、制動(dòng)器制動(dòng)力及平衡、整車制動(dòng)力監(jiān)測(cè)等，從圖中可看出它們?cè)跈C(jī)動(dòng)車上對(duì)應(yīng)的位置。

圖4　VOSM系統(tǒng)基本結(jié)構(gòu)示意圖

根據(jù)機(jī)動(dòng)車運(yùn)行過(guò)程中車身姿態(tài)角度（準(zhǔn)B，θB，ψB）（側(cè)傾角、橫擺角、側(cè)偏角）各取值的不同，結(jié)合典型路況，將機(jī)動(dòng)車運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)分為水平道路S1（0，0，Ψ）、斜坡道路S2（0，Θ，Ψ）、側(cè)坡道路S3（Φ，0，Ψ）和斜側(cè)坡道路S4（0，Θ，Ψ）4大類路況下的系統(tǒng)運(yùn)行行為。設(shè)VOSM系統(tǒng)輸入為各傳感器數(shù)據(jù)uν（t），經(jīng)過(guò)計(jì)算后的姿態(tài)角為f（u），水平道路下的角度約束為A1，斜坡道路下的角度約束為A2，側(cè)坡道路下的角度約束為A3，斜側(cè)坡道路下的角度約束為A4。水平道路上行駛時(shí)系統(tǒng)狀態(tài)為xS1（t），在斜坡道路行駛時(shí)系統(tǒng)狀態(tài)為xS2（t），側(cè)坡道路行駛時(shí)xS3（t），斜側(cè)坡道路行駛時(shí)系統(tǒng)狀態(tài)為xS4（t），那么系統(tǒng)行為過(guò)程數(shù)學(xué)模型可表示為

需要說(shuō)明的是，不同路況下的約束A（ii=1，2，3，4）是包括多個(gè)子約束的集合，設(shè)Ai包含k個(gè)約束且第

現(xiàn)為能耗約束、數(shù)據(jù)優(yōu)先約束等。

對(duì)每一狀態(tài)，引入邏輯變量δV（it）∈{0，1}，[δV（it）=1]令各約束最大值Max{Ai}=MV*，表示系統(tǒng)獲取的機(jī)動(dòng)車各方向角度的最值，則根據(jù)MLD邏輯命題規(guī)則，得到：

式（19）可改寫(xiě)為

4

引入連續(xù)輔助變量ZV（t）=xVi（t）δVi（t），令maxxSi（t）= MV，minxSi（t）=mV，那么利用MLD邏輯命題變換規(guī)則，ZV（t）滿足：

那么由式（22）得到系統(tǒng)行為等價(jià)MLD模型為由此，將VOSM系統(tǒng)機(jī)動(dòng)車運(yùn)行過(guò)程中的約束、狀態(tài)轉(zhuǎn)移變化用一個(gè)統(tǒng)一表達(dá)式表示，可將VOSM系統(tǒng)行為中操作約束、邏輯規(guī)則和連續(xù)動(dòng)態(tài)特性集成帶有混合整數(shù)不等式約束狀態(tài)方程形式。

3　結(jié)束語(yǔ)

基于MLD建模方法，推出物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為表達(dá)式，把物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為用包含狀態(tài)變量、輸入變量和輔助變量來(lái)描述，將物聯(lián)網(wǎng)感知層測(cè)控過(guò)程行為中操作約束、邏輯規(guī)則和連續(xù)動(dòng)態(tài)特性集成為帶有混合整數(shù)不等式約束的狀態(tài)方程形式，可在宏觀上把握系統(tǒng)過(guò)程行為，考慮系統(tǒng)操作約束、定性知識(shí)等因素，為測(cè)控系統(tǒng)協(xié)調(diào)優(yōu)化奠定重要基礎(chǔ)。結(jié)合VOSM系統(tǒng)實(shí)際應(yīng)用例，應(yīng)用基于物聯(lián)網(wǎng)感知層MLD建模方法，得到VOSM系統(tǒng)在不同路況下的監(jiān)測(cè)行為MLD模型，表明建模方法的可行性。

參考文獻(xiàn)

[1] Memb G，Cela A，Hamam Y. Optimal integrated control and scheduling of networked control systems with communication constraints：applicationto acar suspension system [J] . IEEE Transactions on Control Systems Technology，2006，14（4）：776-787.

[2] Du M A，Yuh Y S. Optimal control of formation flight based on MLD systems[C] ∥IEEE International Conference on Control Applications，2007：904-909.

[3] Alberto B，Stefano D C，Erik H. Hybrid model predictive control based on wireless sensor feedback：An experimental study[J] . International Journal of Robust and Nonlinear Control，2010，20（2）：209-225.

[4] Yin X H，Meng X L，Wang Z B，et al. MLD approach for modeling and predictive control of two-tank dynamic system over networks [C] ∥Proceedings of the 2010 International Conference on Electrical and Control Engineering，2010：5327-5332.

[5] Mohammad H，Hossein M. Hybrid predictive control of a DC -DC boost converter in both continuous and discontinuous current modes of operation [J] . Optimal Control Applications & Methods，2011，32（3）：270-284.

[6] 王村，王宏剛.基于混合邏輯動(dòng)態(tài)的列車運(yùn)行調(diào)度模型[J] .工業(yè)控制計(jì)算機(jī)，2011，24（5）：52-53，55.

[7] Bemporad A，Morari M. Control of systems integrating logic dynamics and constraints [J] . Automatic，1999（35）：407-427.

[8] Xu J L，Liu G X，Gao Y. Vehicle operating safe state monitoring system modeling method based on automata[C] ∥Emerging Computation and Information Technologies for Education，2012：369-376.

[9] Pan M Y，Liu G X. Study on vehicle operating safe state monitoring parameter and measurement model[C] ∥2012 International Workshop on Information and Electronics Engineering，2012：2496-2500.

[10] 潘夢(mèng)鷂，周岳斌，劉桂雄.機(jī)動(dòng)車運(yùn)行安全檢測(cè)模式及發(fā)展分析[J] .現(xiàn)代制造工程，2009（5）：12-16.

[11] 劉桂雄，潘夢(mèng)鷂，林創(chuàng)魯，等.一種基于輪載式智能傳感車輪運(yùn)動(dòng)姿態(tài)監(jiān)測(cè)方法：中國(guó)，ZL 200910078476.6[P] . 2009-02-24.

[12] 劉桂雄，潘夢(mèng)鷂，黃國(guó)健，等.一種基于輪載式智能傳感車輪制動(dòng)性能監(jiān)測(cè)方法：中國(guó)，ZL 200910077744.2[P] . 2009-02-16.

Internet of things perception behavior modeling method based on MLD

XU Jian-long，LIU Gui-xiong

（School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China）

Abstract:According to the diversity and complexity of the internet of things（IoT）perception terminal，the mixed logical dynamic（MLD）modeling method was adopted in this paper and the unified expression for IoT perception layer measurement and control process behavior was derived. Firstly，the perception layer measurement and control process behavior was described by the state variables，input variables and auxiliary variables. Then，the operation constraint，logical rules and continuous dynamic characteristic can be integrated as a mixed integer inequality constraint state equation form. Through this model，it can be in the macro grasped the system process behavior. The system operation constraints，qualitative knowledge factors can be considered. So it lays an important foundation for the optimization of coordination of the measurement and control system. IoT perception layer behavior modeling method based on MLD is used to construct the vehicle operating safe state monitoring system model，and the result shows that the modeling method is feasible，reasonable and effective.

Key words:internet of things；perception layer；MLD；vehicle operating safe state monitoring

基金項(xiàng)目：粵港關(guān)鍵領(lǐng)域重點(diǎn)突破項(xiàng)目（2012A090200005）；廣東省高等學(xué)校高層次人才項(xiàng)目（粵教師函[2010] 79號(hào)文）

收稿日期：2013-01-30；

doi：10.11857/j.issn.1674-5124.2013.05.030

文章編號(hào)：1674-5124（2013）05-0110-06

文獻(xiàn)標(biāo)志碼：A

中圖分類號(hào)：TP391.45；TP391.9；TP212.2；U491.5

作者簡(jiǎn)介：許建龍（1982-），男，廣東汕頭市人，博士，主要從事智能傳感與檢測(cè)技術(shù)研究。