本技术涉及一种温度感知辅助的时间同步保持方法,属于时间同步技术领域。该方法包括:面向主时钟故障或者通信链路中断导致设备之间无法进行同步信息交互的网络通信场景,考虑设备时钟晶振输出频率因环境温度变化呈现非线性动态时变的特性,构建适用于无外部连接的基于TimeNet神经网络的时间序列预测模型;并利用历史记录的时钟参数数据和温度信息训练模型;利用训练好的模型将环境温度信息作为模型的输入,预测从节点的时钟频偏;利用预测的时钟频偏,采用频率偏移自回归状态转移方程计算获得从节点的时钟相偏,利用时钟频偏与时钟相偏值,从节点校正本地时钟,与主节点实现时钟自保持。
背景技术
时间同步作为分布式网络中不可或缺的关键支撑技术之一,是网络正常运行的基本前提,并广泛应用于工业网络、电力系统以及5G通讯等领域。时间同步的目的在于使网络中的不同设备能够在同一时间尺度上运行,从而保证设备间执行任务时逻辑时间和因果关系的正确性。然而,由于网络运行环境的诸多不利因素(如环境温度和湿度变化、电磁干扰、晶体老化等),引起设备时钟晶振输出频率产生非线性递增或递减的漂移变化,进而难以将网络设备与主时钟之间的时间偏差维持在足够小的范围。特别是当系统面临外部时间源信号丢失或不稳定的情况时,无法采用基于包交换的时间同步协议进行时钟偏差估计和修正,这就需要设计合理的时间同步保持方法准确预测出晶振频率的变化趋势,进而对频率偏移量做出补偿,提升时间同步保持的长期稳定性。目前时间同步保持方法主要有两种:一种是使用卡尔曼滤波,引入时钟动态偏移的模型,解决频率的不稳定性,但只适用于遵循单一分布的随机延迟,鲁棒性相对较低。另一种是结合最小二乘参数估计,建立晶振的差分模型,但是学习得到的模型参数容易受初始条件的影响,容错能力不强。
因此,亟需一种温度感知辅助的时间同步保持方法,将环境温度信息作为输入并运用神经网络模型对时钟晶振频率偏移进行准确预测和修正,增强时间同步保持方法对环境温度变化的鲁棒性,降低无外部连接情况下的再同步频率。
实现思路