基于深度学习的剩余使用寿命算法在安全关键的 5G 赋能 IIoT 网络中的端到端分析
网络与互联网体系结构
2023-11-07 v2 信号处理
摘要
剩余使用寿命（RUL）预测是一项关键任务，旨在估计系统发生故障前的剩余时间，其中后者由三个主要部分组成，即应用、通信网络和 RUL 逻辑。在本文中，我们对整个基于 RUL 的链路进行了端到端分析。具体而言，我们考虑一个工厂车间，其中自动导引车（AGV）运输危险液体，其倾洒可能对工人造成伤害。在通信基础设施方面，AGV 配备 5G 用户设备（UE），收集其运动的实时数据并发送至应用服务器。RUL 逻辑由一个基于深度学习（DL）的流水线组成，该流水线通过分析所收集的数据来评估是否会发生液体倾洒，并最终向 AGV 发送指令以避免此类危险。基于该场景，我们进行了符合端到端 5G NR 标准的网络仿真，以研究往返时间（RTT）随系统总带宽、子载波间隔和调制阶数的变化关系。随后，通过真实世界实验，我们收集数据以训练和测试 7 个 DL 模型与 1 个基于阈值的基线算法，并在成本和平均提前量方面进行比较。最后，我们评估了四种不同 5G NR 网络架构所提供的 RTT 是否与性能最佳的一维卷积神经网络（1D-CNN）所提供的平均提前量相兼容。数值结果表明，在何种条件下基于 DL 的 RUL 估计方法与不同 5G NR 网络架构所提供的 RTT 性能相匹配。
引用
@article{arxiv.2307.04632,
title = {An End-To-End Analysis of Deep Learning-Based Remaining Useful Life Algorithms for Satefy-Critical 5G-Enabled IIoT Networks},
author = {Lorenzo Mario Amorosa and Nicolò Longhi and Giampaolo Cuozzo and Weronika Maria Bachan and Valerio Lieti and Enrico Buracchini and Roberto Verdone},
journal= {arXiv preprint arXiv:2307.04632},
year = {2023}
}
备注
6 pages, 4 figures. This work has been accepted for publication at IEEE PIMRC 2023