OIDM: An Observability-based Intelligent Distributed Edge Sensing Method for Industrial Cyber-Physical Systems

📄 arXiv: 2409.08549v1 📥 PDF

作者: Shigeng Wang, Tiankai Jin, Yehan Ma, Cailian Chen

分类: eess.SY

发布日期: 2024-09-13

💡 一句话要点

提出基于可观测性的智能分布式边缘感知方法OIDM，用于工业信息物理系统。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 工业信息物理系统 边缘计算 可观测性 随机调度 深度强化学习

📋 核心要点

  1. 现有研究在随机调度中对可观测性的研究不足，难以保证工业信息物理系统感知的完整性。
  2. 提出OIDM方法，利用深度强化学习优化感知精度和功率效率，并建立可观测性与传感器传输成功率的桥梁。
  3. 通过线性近似可观测性准则并推导概率界限，指导动作空间设计，在随机调度中实现概率可观测性保证。

📝 摘要（中文）

工业信息物理系统(ICPS)将物理过程与工业环境中的计算和通信技术相结合。在边缘计算技术的支持下，调度大规模传感器以实现高效的分布式感知是可行的。在感知过程中，可观测性是获得完整系统状态的关键，考虑到无线通信中的不确定因素，随机调度更合适。然而，现有的工作对随机调度中的可观测性研究有限。针对这个问题，我们提出了一种基于可观测性的智能分布式边缘感知方法(OIDM)。采用深度强化学习(DRL)方法来优化感知精度和功率效率。基于系统实现可观测性的能力，我们在可观测性和传感器成功传输的数量之间建立了一座桥梁。提供了可观测性准则的新型线性近似，并推导了可观测性的概率界限。此外，这些界限指导动作空间的设计，以在随机调度中实现概率可观测性保证。最后，我们将提出的方法应用于工业热轧过程中板坯温度的估计，仿真结果验证了其有效性。

🔬 方法详解

问题定义：论文旨在解决工业信息物理系统(ICPS)中，在随机调度下如何保证系统可观测性的问题。现有方法在随机调度中对可观测性的研究不足，难以在不确定性环境中保证系统状态的完整获取，同时忽略了感知精度和功率效率的平衡。

核心思路：论文的核心思路是利用深度强化学习(DRL)来优化传感器的调度策略，同时将可观测性作为奖励函数的一部分，确保系统在随机调度下仍能保持足够的可观测性。通过建立可观测性与传感器成功传输数量之间的关系，将可观测性问题转化为一个可优化的目标。

技术框架：OIDM方法包含以下主要模块：1) 环境建模：建立工业信息物理系统的状态空间、动作空间和奖励函数。状态空间包括系统状态和传感器状态，动作空间定义了传感器的调度策略。2) 可观测性分析：对系统进行可观测性分析，推导可观测性的概率界限。3) DRL训练：使用深度强化学习算法（具体算法未知）训练智能体，优化传感器的调度策略，最大化奖励函数，奖励函数综合考虑感知精度、功率效率和可观测性。4) 在线调度：在实际应用中，根据当前系统状态，使用训练好的智能体进行传感器调度。

关键创新：论文的关键创新在于：1) 将可观测性引入到随机调度问题中，并提出了可观测性的概率界限。2) 提出了可观测性准则的线性近似，降低了计算复杂度。3) 将可观测性与传感器传输成功数量联系起来，为DRL的奖励函数设计提供了依据。

关键设计：论文的关键设计包括：1) 动作空间的设计：基于可观测性的概率界限，设计动作空间，确保在随机调度下系统仍能保持足够的可观测性。2) 奖励函数的设计：奖励函数综合考虑感知精度、功率效率和可观测性，平衡三者之间的关系。3) DRL算法的选择和参数设置：论文采用了深度强化学习算法，但具体算法和参数设置未知。损失函数的设计也未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文将提出的OIDM方法应用于工业热轧过程中板坯温度的估计。仿真结果验证了该方法的有效性，但具体的性能数据、对比基线和提升幅度未知。通过优化传感器调度，OIDM能够在保证系统可观测性的前提下，提高感知精度和功率效率。

🎯 应用场景

该研究成果可应用于各种工业信息物理系统，例如智能制造、智慧能源、智能交通等领域。通过优化传感器调度策略，提高系统可观测性，从而提升系统监控、故障诊断和预测维护的能力，降低运营成本，提高生产效率和安全性。未来可进一步扩展到更复杂的工业场景，例如多智能体协作感知、异构传感器融合等。

📄 摘要（原文）

Industrial cyber-physical systems (ICPS) integrate physical processes with computational and communication technologies in industrial settings. With the support of edge computing technology, it is feasible to schedule large-scale sensors for efficient distributed sensing. In the sensing process, observability is the key to obtaining complete system states, and stochastic scheduling is more suitable considering uncertain factors in wireless communication. However, existing works have limited research on observability in stochastic scheduling. Targeting this issue, we propose an observability-based intelligent distributed edge sensing method (OIDM). Deep reinforcement learning (DRL) methods are adopted to optimize sensing accuracy and power efficiency. Based on the system's ability to achieve observability, we establish a bridge between observability and the number of successful sensor transmissions. Novel linear approximations of observability criteria are provided, and probabilistic bounds on observability are derived. Furthermore, these bounds guide the design of action space to achieve a probabilistic observability guarantee in stochastic scheduling. Finally, our proposed method is applied to the estimation of slab temperature in industrial hot rolling process, and simulation results validate its effectiveness.