引　言

工业互联网(Industrial Internet of Things, IIoT) 的概念最早由美国通用电气公司于2012年提出，初衷是激活传统的工业过程，实现物理世界和数字世界的紧密结合^[1]. IIoT是通信技术赋能工业制造的产物，其发展离不开通信技术的支持. 传统的线缆连接面临部署和维护成本高、工期长、检修困难的难题，相比之下，无线网络可以大幅降低成本，显著提高生产效率，并且还可以使用无线传感器实现对工业全流程的泛在感知^[2]. 工业应用对无线网络提出了新的需求，例如用于远程辅助装配的增强现实技术要求网络达到50 Mbps，通信时延小于10 ms等^[3]. 相比之前的无线通信技术，5G首次将服务重点转向了垂直行业，其可以实现峰值数据速率达到20 Gbit/s以及时延低至1 ms等八个方面的性能提升^[4]. 随着5G技术的不断发展，在工业领域广泛使用无线通信技术成为可能. 后5G(beyond 5G, B5G)则将实现无线网络与IIoT的深度融合，进一步拓展和丰富IIoT的应用.

无线信道是信号从发射端到接收端所经历的传播通道，信道建模是每一代移动通信系统设计、研发和性能评估的基础和前提^[5]. 为了实现5G以及B5G与IIoT的高效融合，需要对IIoT场景下的信道传播特性进行研究，并建立可以准确刻画IIoT场景下无线信道的模型. 传播环境是影响无线信道的关键因素，与传统室内办公室场景相比，IIoT场景具有多样性与复杂性. 多样性表现在生产不同产品的工厂内传播环境不同，同一工厂中不同功能区之间也表现出差异性；复杂性则表现在工厂内部物体材质、布局、形状、大小等各不相同，以及工作的机器设备带来的复杂电磁环境. IIoT场景的多样性和复杂性导致无法用室内办公室场景的信道模型刻画其信道特性，需要针对IIoT场景展开信道特性分析以及建模. 目前在IIoT信道及建模方面已经有一定的成果，本文将以综述的形式对IIoT场景的信道研究成果进行介绍.

接下来本文将按照图1所示从四个方面展开介绍，第一节对IIoT场景特点进行了分析，第二节总结了由场景特点导致的IIoT信道特性，第三节将简述第三代合作伙伴计划(3rd Generation Partnership Project, 3GPP)标准中的信道特性建模方法，最后对未来IIoT信道研究的方向进行展望.

图  1  IIoT信道特性与建模研究综述章节框架

Fig.  1  A review framework for IIoT channel characteristics and modeling research

下载: 全尺寸图片 幻灯片

1   IIoT场景特点

图2所示为5G应用产业联盟(5G Alliance for Connected Industries and Automation, 5G-ACIA)提出的IIoT场景平面结构^[6]，该场景中不同区域有着不同的分工，不同分工决定了不同区域内的设备以及环境的特点. 结合实际场景分析，IIoT场景的特点主要体现在以下四个方面：

图  2  5G-ACIA提出的IIoT场景平面结构^[6]

Fig.  2  The layout of the IIoT scenario proposed by 5G-ACIA^[6]

下载: 全尺寸图片 幻灯片

1.1   场景类型、大小、布局各异

典型的IIoT场景包括仓库、加工车间、自动化车间等. 场景面积可以从20 m² 到160000 m²不等，天花板高度从5 m到25 m不等. 该场景内部还可以被分成不同的功能区，例如生产区、流水线、仓库和办公区等，不同的IIoT场景这些功能区的配置和布局各不相同. 场景维度的巨大差异会导致天线与通信设备分布情况不同，它们的相对高度以及通信设备的密集程度都需要考虑到信道特性研究中^[7].

1.2   布满丰富的金属散射体

在IIoT场景中存在丰富的大型机器设备，墙边或者天花板附近还可能有金属管道网或铁架，这些设备、管道、铁架的形状和分布情况导致无线信号的传播环境非常复杂，难以刻画. 此外，由于设备、管道以及铁架等大多都是金属材质，因此在该场景中信号的反射强度往往较大.

1.3   存在运动的物体

5G/B5G在IIoT场景中的主要应用场景包括远程设备操控、设备协同作业、无人智能巡检等，这些应用场景需要用到自动导引车、机械臂、无人机等辅助设备，这些物体会在场景中运动. 运动的物体既是其他设备通信的时变散射体，也是自身通信时的移动性终端，最终都会导致信道的时变特性.

1.4   存在处于运作状态的机器设备

当工厂在运作时，电焊机、变频器、点火系统、稳压器以及高压输电线等设备都会辐射出大量的电磁噪声，当干扰噪声与通信信号处于同一频段时，会出现突发的脉冲噪声. 移动无线通信系统的传输速率和传输质量最终都要受到无线信道和噪声的制约.

2   IIoT信道特性

信道特性与信号的传播环境高度相关，IIoT场景的上述特点带来了相应的信道特性，目前IIoT场景下的信道特性研究已经有了一定的成果. 基于IIoT场景特点以及当前的信道研究成果，本文将IIoT信道特点总结为场景依赖性、频率差异性、时变特性以及电磁噪声干扰. 接下来将对IIoT信道的每个特点进行具体的阐述.

2.1   场景依赖性

IIoT信道特性具有明显的场景依赖性，不同类型和大小的IIoT场景中的信道体现出不同的特点，且在同一场景中，根据散射体密度以及天线高度可划分为不同的子场景，各子场景信道也有明显的差异.

不同类型的场景中分布着不同材质的物体，这些物体对信号的反射强度不同会导致信道产生差异. 文献[8]分别在包含高密度金属机械的工业环境以及造纸厂的纸制品仓库中进行了测量，这两个测量场景分别代表了典型的高反射性场景和高吸收性场景. 虽然都属于IIoT场景，但是在高反射环境中，多径效应十分突出，最大多径时延可以达到1000 ns. 而在高吸收性环境中，则仅存在一条可分辨多径. 文献[9]使用金属柜模拟了工业机器内部60 GHz频率下的通信，通过在金属柜的侧壁覆盖信号吸收材料研究了吸收材料对信道的影响. 研究结果显示，放置吸收材料后时延扩展由原来的113.4 ns减小到30.6 ns.

除了物体材质之外，场景大小也是信号传播的重要影响因素. 文献[10]对16个场景的体积以及最大时延扩展进行了观察分析，发现时延扩展的上界取决于场景大小. 文献[11]基于文献[12]中的数据建立了最大时延扩展关于工厂体积的函数，结果如图3所示.

图  3  最大时延扩展与场景体积的关系^[11]

Fig.  3  Relationship between maximum delay spread and volume^[11]

下载: 全尺寸图片 幻灯片

对于复杂的IIoT场景，可以划分子场景以进行更细致的信道研究，常见的划分依据有散射体密度和天线高度. 文献[13]将所研究的场景分为两种类型：开放生产空间和密集混合空间，其中开放生产空间中金属设备之间有较大的空白区域，而密集混合空间则密集分布着液压机、材料加工机等大型机器. 在视距(line-of-sight, LoS)条件下，密集分布的金属机器引入了波导效应，导致路径损耗指数低于自由空间. 与开放生产空间相比，密集混合空间表现出更低的路径损耗指数，这意味着密集混合空间具有更强烈的波导效应. 文献[14]将非视距(non-line-of-sight, NLoS)条件下的传播环境分为密集遮挡与稀疏遮挡，其中密集遮挡指的是障碍物之间距离为2 m的情况，稀疏遮挡指的是障碍物之间距离为7 m的情况。研究发现，与LoS条件相比，密集遮挡的附加路径损耗约为7 dB，稀疏遮挡的附加路径损耗为3 dB. 以天线高度为依据进行的子场景划分主要以场景内散射体的平均高度作为参考，可以根据收发天线高于或者低于散射体进行不同的天线高度配置^{[11,13,15-17]}. 3GPP TR 38.901^[18]综合了散射体密度以及天线高度的考虑将NLoS场景划分为四个子场景，分别为稀疏低基站、密集低基站、稀疏高基站、密集高基站，如图4所示.

图  4  NLoS子场景划分^[18]

Fig.  4  NLoS sub-scenario division^[18]

下载: 全尺寸图片 幻灯片

2.2   频率差异性

全球5G网络频段主要分为6 GHz以下频段以及毫米波频段，B5G将继续向太赫兹频段拓展. 不同频段信号的反射、绕射以及散射能力各不相同，在IIoT场景中，丰富的金属散射体提供了镜面反射，散射体的形状、大小各异，导致频率带来的影响较传统室内办公室场景更为明显. 表1中列举出了在相同IIoT场景中进行多频点信道特性比较的结果.

表  1  不同频率信道特性参数

Tab.  1  Channel characteristics at different frequencies

频段	频点 /GHz	路径损耗指数	时延扩展/ns	莱斯K因子 /dB
6 GHz 以下[19]	0.9	3.55	-	12.40
	2.4	3.44	-	11.70
	5.2	2.59	-	14.10
6 GHz 以下 vs毫 米波[10, 17, 20]	4.9	2.20	104.0	5.42
	28.0	2.60	50.0	5.77
	3.7	-	20.3	-
	28.0	-	23.1	-
毫米波[21-22]	28.0	1.90	13.7	19.30
	60.0	2.00	13.4	19.30
	54.0	1.40	30.7	-
	70.0	0.90	30.4	-

下载: 导出CSV 

| 显示表格

在6 GHz以下频段的不同频点信道对比研究中，文献[19]研究了0.9、2.4、5.2 GHz下的路径损耗以及莱斯K因子，研究发现，路径损耗指数随着频率的增加而减小，而莱斯K因子没有明显的随频率变化的趋势.

在6 GHz以下频段与毫米波频段的信道对比研究中，文献[10,17]比较了同一工业场景中4.9 GHz以及28 GHz的信道特性，研究发现，在IIoT场景中，当频率升高时，传播损耗会增大，多径在不同时延处分布更集中，且由于绕射能力减弱，多径丰富度降低，主径功率占比将有所增大. 文献[20]进行了3.7 GHz与28 GHz的信道特性对比，其测量结果与文献[10]中的结论稍显差异：同样在LoS条件下，时延扩展在3.7 GHz为 20.3 ns，而在28 GHz时为23.1 ns；时延扩展并没有随频率呈现稳定的增加或者减小趋势，而是在传播环境改变时呈现不同的趋势.

在毫米波频段，文献[21]使用射线追踪方法在轻工业和重工业两个工厂中进行了28 GHz和60 GHz的信道仿真，文献[22]基于测量的方式在工业场景中进行了54 GHz以及70 GHz的信道研究。从表1可以看出，同一个场景、不同频率的信道中，除了路径损耗指数稍显差异之外，时延扩展和莱斯因子都没有体现出明显差异.

2.3   时变特性

IIoT场景中机械臂、自动导引车、监督无人机等物体在场景中运动会带来信道的时变特性.

就机械臂而言，文献[23]研究了机械臂处于运动状态并执行典型的取放过程时的信道. 根据运动过程中LoS存在的概率将测量分成了系列A和系列B，其中系列A代表弱散射，大约有70%的快照中存在LoS径，系列B则代表丰富的散射，仅有不到20%的快照中可以观察到LoS径. 测量结果表明，运动过程中系列B表现出比系列A更大的时延扩展. 文献[24]提出了机械臂运动的二维几何模型，如图5所示，可以看出，摆动的机械臂引起的多普勒频移值的实测结果与根据几何模型仿真得到的结果保持一致.

图  5  机械臂多普勒频偏^[24]

Fig.  5  Doppler frequency shift of robotic arm^[24]

下载: 全尺寸图片 幻灯片

就自动导引车而言，文献[25]研究了自动导引车以1 m/s的速度移动时的信道，提取了不同载波频率下的水平通过率和空间相关性. 结果显示载波频率越高，水平通过率越大，空间相关性越小. 文献[26]研究了自动导引车之间的通信，研究结果表明，由于沿传播路径有大量金属散射体，因此即使在NLoS区域信号衰减也没有其他场景中严重. 文献[24]研究发现，手推车的多普勒频偏与理论值之间存在瞬时频率偏差，这些偏差遵循高斯分布，因此提出了随机多普勒频率的数学模型以描述移动的自动导引车带来的多径效应.

式中，附加频偏$\Delta f$为零均值高斯随机变量. 文献[27]对移动接收器和环境中运动的物体进行了测量活动，结果表明对于在2 GHz和5.4 GHz频段附近部署无线信号，快衰落或多普勒衰落可能不会影响信号质量。

对于IIoT场景中无人机飞行的研究，文献[28] 分别采用无人机进行了空中悬停的静态测量以及迂回飞行的动态测量. 研究发现，静态测量结果与天线架设在桅杆上时信道差异不大. 动态测量的结果则显示当收发端之间的通信条件从NLoS变成LoS后又变成NLoS时，路径损耗和时延扩展均呈现出先增加后减小的趋势.

2.4   电磁噪声干扰

IIoT场景中存在大量处于工作状态的设备，例如电焊机、稳压器、高压输电线等，这些设备工作时会辐射出大量的电磁噪声，电磁噪声对通信系统会产生干扰，研究电磁噪声对于IIoT的可靠性十分重要. 现有电测噪声的研究主要是从频域和时域两方面展开，着重分析电磁噪声的幅度概率分布、脉冲持续时间分布、脉冲间隔时间分布以及噪声幅度四个统计参数. 而在工业生产过程中，焊接过程所产生的窄带信号大量分布在数百MHz的频谱范围内，工厂中的电火花辐射的窄带信号也主要分布在数十kHz~1 GHz，这和文献[29]中的测量结果相吻合. 文献[29]在汽车工厂的焊接车间中研究了300 MHz~6.5 GHz 的频谱占用情况，发现由工厂中的金属焊接和加工产生的电磁噪声主要是分布于300 MHz~1 GHz 频段的窄带信号且其强度主要分布在10~40 dBµV/m，说明汽车制造车间的电磁干扰主要对低频段的无线信号有影响. 文献[30]则进行了多个频点的幅度概率分布统计分析，发现工厂中设备运行时产生的电磁噪声可能会严重干扰工厂中通信系统的稳定性. 文献[31]中通过一阶马尔科夫过程仿真了IIoT场景下电磁噪声的时域波形，发现工厂中的电磁噪声与高斯白噪声有很大差异，因此不能将工厂环境中的电磁噪声简单等效为高斯白噪声，而需对工厂中的电磁噪声做进一步的建模. 在文献[32]中，针对工业传感器网络环境中的电磁噪声，作者进一步提出了一种基于2种状态的马尔科夫过程对脉冲型干扰进行建模，如公式（2）所示，该模型可以理解为加性高斯白噪声和脉冲型干扰噪声的叠加，即

式中：$w(t)$和$k(t)$为零均值高斯随机过程；$b(t) = \{ 0,1\}$.

表2整理了本节中所提及的IIoT信道特性研究现状.

表  2  IIoT场景下信道特性研究现状

Tab.  2  Research on channel modeling in the IIoT scenarios

工业场景	建模方法	信道特点	频段/GHz	距离/m	信道特性影响因素
高反射和高吸收工厂[8]	统计性建模	场景依赖性	0.200~2.500	19.0	工厂类型
金属柜模拟工业机器[9]	统计性建模	场景依赖性	60.00	2.5	材质
生产车间[10]	统计性建模	场景依赖性、 频率差异性	4.900, 28.000	70.0	频率、天线高度
开放生产车间、 密集生产车间[13]	统计性建模	场景依赖性	2.300, 5.700	34.0	频率、天线高度、散射体布局
生产车间[15]	统计性建模	场景依赖性	4.900	63.0	天线高度
光缆实验室[16]	统计性建模	场景依赖性	28.000	26.0	天线高度
生产车间[17]	统计性建模	场景依赖性、 频率差异性	4.900, 28.000	72.0	频率、天线高度
木材加工厂、 金属加工厂[19]	统计性建模	频率差异性	0.900, 2.400, 5.200	140.0	频率
高精度机器生产车间[20]	统计性建模	频率差异性	3.700, 28.000	25.0	频率
轻工业（传统车间）、 重工业（高科技）[21]	确定性建模	频率差异性	28.000, 60.000	40.0	工厂类型、频率
工厂[22]	统计性建模	频率差异性	54.000, 70.000	29.0	频率
智能自动化实验室[23]	统计性建模	时变特性	5.850	2.6	移动性
汽车焊接车间[24]	统计性建模	时变特性	5.800	100.0	移动性
汽车焊接车间[25]	统计性建模	时变特性	1.100, 1.600, 2.550, 3.500	100.0	移动性、频率
工业大厅[26]	统计性建模	时变特性	3.750	10.0	移动性
机械车间、汽车厂、 蒸汽厂[27]	统计性建模	时变特性	2.245, 5.400	-	移动性、频率
自动化系统设计工厂[28]	统计性建模	时变特性	3.100~5.300	25.0	移动性
汽车焊接车间[29]	统计性建模	电磁噪声干扰	0.300~6.500	-	电磁噪声
造纸厂、钢铁厂、 编排场[30]	统计性建模	电磁噪声干扰	0.433, 0.439, 0.440, 0.570, 2.450	-	工厂类型、电磁噪声、频率
工业无线传感器网络[31]	统计性建模	电磁噪声干扰	2.400	80.0	电磁噪声
制造工厂[32]	统计性建模	电磁噪声干扰	3.350, 60.000	-	频率、电磁噪声

下载: 导出CSV 

| 显示表格

3   IIoT信道特性建模

IIoT场景特点带来了信道的场景依赖性、频率差异性、时变特性以及电磁噪声，这些特性的存在意味着不能将其信道等同于传统室内场景来看待，需要对IIoT场景进行信道建模研究.

常见的信道建模方法分为确定性信道建模和统计性信道建模. 确定性建模是指获取场景中物体的位置、形状、材料等参数后对场景进行三维重现，建立虚拟的信号源和接收器来模拟信号在真实场景中的传播，最后利用电磁计算获取场景中某个地理位置的精确信道冲激响应. 如文献[21]中的射线追踪方法即属于确定性建模方法，但是这种建模方法较为复杂，且建模的准确程度高度依赖于原始环境信息重现的精确程度. 统计性信道建模方法是指将提取的信道特性建模为概率统计分布，从而推断整个场景的信道特性，建模复杂度低^[33]，正如表2所示，在对IIoT场景的信道进行研究时，统计性信道建模是主流方法. 这是因为该场景比一般的室内场景复杂得多，场景中物体形状大小多样且材质各异，如果采用确定性信道建模，场景三维重构时复杂度极高，且无法准确还原场景，信道也就与真实场景中的信道具有一定差异. 相比而言，使用统计性信道建模的方法在该场景下能在较大程度上减少工作量，并且能还原真实场景中的信道. 3GPP TR 38.901 v15.1.0^[34]于2019年9月将工厂场景定义为5G标准场景，并给出了适用于该场景的信道统计性模型. 标准中的信道模型体现了IIoT场景下信道的场景依赖性、频率差异性以及时变特性. 而就电磁噪声干扰特性而言，3GPP TR 38.901指出对电磁干扰源建模时需划分适当的子场景，例如考虑发射端和接收端高度，或者散射体密度等，但该协议并未给出相关建模结果. 接下来本文将基于3GPP TR 38.901中的信道模型对IIoT信道建模进行简述.

3.1   路径损耗

无线信道具有衰落特性，接收信号的功率会随着收发端距离的变化而产生相应的变化. 我们用路径损耗来表示大范围长距离情况下信号的平均功率随距离的变化规律，它由发射功率的辐射扩散及信道的传播特性所决定. 路径损耗模型可以估计信号在一定传播距离上经历的衰减，对于设计基站部署方案至关重要^[35].

IIoT场景的信道研究中有两种常见的路径损耗模型：Alpha-Beta-Gamma(ABG)路径损耗模型^[20]和自由空间邻近(close-in, CI)路径损耗模型^[9,17,21-22]. ABG路径损耗模型包含频率依赖因子和距离依赖因子，可以用于描述各种频率下的路径损耗，该模型如式(3)所示:

式中：$\alpha$和$\gamma$分别为距离和频率对路径损耗影响的依赖因子；${d_0}$为1 m；$\;\beta$为截距；${f_0} = 1\;{\rm{GHz}}$；$X_\sigma ^{{\rm{ABG}}}$是高斯随机变量，代表关于距离上平均路径损耗的阴影衰落. ABG模型是浮动截距(float-intercept, FI)模型在多个频率上的扩展，在单个频率条件下，ABG模型就转化为FI模型^[15-16]，表达式为

CI模型由式(5)给出：

式中，${\rm{FSPL}}({d_0}) = 20\lg \left( {\dfrac{{4{\text{π}}f{d_0}}}{c}} \right)$，$c$为光速，$f$为中心频率. 与CI模型相比，ABG模型是通过最小二乘法或者最小均方根误差法得到，而CI模型则选择参考距离${d_0}$处的自由空间损耗作为截距，再通过最小均方根误差法拟合获取路径损耗指数，因此ABG模型更加接近于真实的测量结果，且能刻画路径损耗的频率依赖性，广泛应用于多频点的路径损耗建模研究.

在选择合适路径损耗模型的基础上，还需进一步划分不同的子场景进行准确的建模. 如表3所示，散射体密度对路径损耗的影响很大. 尤其是在 NLoS条件下，当散射体密度从稀疏变为密集时，路损指数从2.53增加到4.38. 此外，在 NLoS条件，天线高度对路径损耗的影响也较大. 当天线从低于散射体平均高度变为高于散射体平均高度时，路径损耗变化可达5 dB^[36].

表  3  散射体密度对路径损耗的影响^[7]

Tab.  3  Impact of clutter density on path loss^[7]

路径	频率/GHz	PLE			$\sigma$
		稀疏	密集		稀疏	密集
LoS	1.3	1.79	1.79		4.55	4.42
	28.0	1.98	2.15		4.25	4.49
	60.0	2.05	1.91		4.53	3.99
	平均值	1.94	1.95		4.44	4.30
NLoS	0.9	3.24	4.47		5.62	6.86
	1.3	2.38	2.81		4.67	8.09
	2.4	2.77	4.29		5.42	8.42
	5.2	2.18	3.70		4.93	5.15
	28.0	2.25	5.33		7.30	9.46
	60.0	2.35	5.67		6.29	10.07
	平均值	2.53	4.38		5.71	8.00

下载: 导出CSV 

| 显示表格

3.2   LoS概率

在生成信道系数的过程中需要设置LoS概率，LoS概率模型用于确定在一定距离处的信道传播是LoS还是NLoS. 在室内办公室等传统场景中，LoS概率模型通常是分段函数，其中的第一部分一般为常数值（典型值为 1），而另一部分则由指数函数给出. 在IIoT场景中研究LoS概率时，文献[37]中指出将LoS概率设置为1，然后使用遮挡模型来研究NLoS情况，但多数研究则是对原有的LoS概率模型进行修正.

由于IIoT场景中具有复杂的散射体分布以及灵活的天线部署高度，因此在对LoS概率进行建模时需要考虑散射体密度以及天线高度，文献[38]中采用分段函数来表征IIoT场景下的LoS概率：

式中：${d_{2{\rm{D}}}}$为基站和用户终端之间的二维距离；${d_{{\text{subsce}}}}$为距离分界点；${p_{{\text{subsce}}}}$为LoS概率分界点；${k_{{\text{subsce}}}}$为对应子场景的指数系数. 从表4可以看出：当基站天线高于散射体平均高度时，${k_{{\text{subsce}}}}$随着散射体密度的增加而增大；当基站天线低于散射体平均高度时，散射体密度与${k_{{\text{subsce}}}}$的关系则相反.

表  4  LoS概率模型参数

Tab.  4  LoS probability model parameters

子场景	${k_{{\text{subsce}}}}$	${d_{{\text{subsce}}}}$	${p_{{\text{subsce}}}}$
DH	454	1.0	0.6
MH	180	6.6	1.0
SH	85	7.0	1.0
DL	33	1.0	1.0
ML	65	1.0	1.0
SL	78	1.0	1.0
注：DH表示高密度，高基站；MH表示中等密度，高基站；SH表示低密度，高基站；DL表示高密度，低基站；ML表示中等密度，低基站；SL表示低密度，低基站

下载: 导出CSV 

| 显示表格

文献[39]给出了接收天线的位置及高度变化时的LoS概率模型，与式(6)中的模型不同，该模型为三段式的函数，如式(7)：

式中，${d_{3{\rm{D}}}}$为基站与终端之间的三维距离.

在3GPP TR 38.901中给出的LoS概率模型是一种基于典型几何模型推导出来的，该模型同时考虑了散射体密度和天线高度，如式(8)：

式中：${d_{{\rm{scatter}}}}$、${h_{{\rm{scatter}}}}$、${h_{{\rm{BS}}}}$和${h_{{\rm{UT}}}}$分别表示散射体大小、散射体高度、基站高度和用户终端高度；$r$为散射体密度，取值范围为0~1.

3.3   时延扩展

信号在无线信道中从发端传播到收端可能经历多条传播路径，多径信号一般到达收端的时间和幅度各不相同，会带来接收信号在时域上的宽度扩展，也就是时延扩展.

文献[40]结果显示，由于IIoT场景中表面光滑的金属机器会使信号传播路径多样化，该场景中的时延扩展一般比室内办公室场景大. 文献[23]和文献[41]结果表明，在IIoT场景中时延扩展会随着多径的增加而增大.

在对时延扩展进行建模时，现有文献主要考虑了四个潜在的影响因素，分别为距离^[42]、天线高度^[43-44]、频率^[45]以及体积^[10,37]，其中距离依赖模型存在争议，天线依赖模型缺乏足够的数据支撑，而研究显示时延扩展不具备频率依赖性，因此排除了前三种模型，考虑体积依赖模型.

在总结大量研究结果之后文献[12]提出了基于体积与总表面积比例的时延扩展模型，最终被3GPP标准所采纳，时延扩展的表达式如式(10)所示：

式中：$V$为IIoT场景的体积大小，${{\rm{m}}^3}$；$S$为场景的总面积，${{\rm{m}}^2}$.

3.4   角度扩展

角度扩展反映了无线信道的空间特性，有助于设计MIMO系统. 文献[12]认为不同的体积和建筑材料会导致工厂的角度扩展和室内热点场景呈现出差异，并且还观察到角度扩展会随着频率有稳定的变化。文献[46]研究发现水平到达角的角度扩展会随着距离的增加而增加. 文献[12]和文献[47]研究得出角度扩展的频率依赖性，如表5所示. 然而目前IIoT场景中研究角度扩展的论文相对较少，并且其中大部分是研究的水平到达角，因此IIoT场景中的角度扩展建模还有待进一步研究.

表  5  IIoT场景下角度扩展^[18]

Tab.  5  Angle spread in the IIoT scenarios^[18]

路径	ASD	$\lg {\rm{ASD}}$		ASA	$\lg {\rm{ASA}}$		ZSA	$\lg {\rm{ZSA}}$		ZSD	$\lg {\rm{ZSD}}$
	${\;\mu _{\lg {\rm{ASD}}}}$	${\sigma _{\lg {\rm{ASD}}}}$		${\;\mu _{\lg {\rm{ASA}}}}$	${\sigma _{\lg {\rm{ASA}}}}$		${\;\mu _{\lg {\rm{ZSA}}}}$	${\sigma _{\lg {\rm{ZSA}}}}$		${\;\mu _{\lg {\rm{ZSD}}}}$	${\sigma _{\lg {\rm{ZSD}}}}$
LoS	1.56	0.25		$1.78 - 0.18\lg (1 + {f_{\text{c}}})$	$0.2 + 0.12\lg (1 + {f_{\text{c}}})$		$1.5 - 0.2\lg (1 + {f_{\text{c}}})$	0.35		1.35	0.35
NLoS	1.57	0.20		1.72	0.30		$- 0.13\lg (1 + {f_{\text{c}}}) + 1.45$	0.45		1.20	0.55
注：$\lg {\rm{ASD}} = \lg ({\rm{ASD}}/{1^ \circ })$；$\lg {\rm{ASA}} = \lg ({\rm{ASA}}/{1^ \circ })$；$\lg {\rm{ZSA}} = \lg ({\rm{ZSA}}/{1^ \circ })$；$\lg {\rm{ZSD}} = \lg ({\rm{ZSD}}/{1^ \circ })$

下载: 导出CSV 

| 显示表格

3.5   双重移动性

IIoT场景中的机械臂、自动导引车等运动的物体会带来信道的时变特性，如2.3节中所述，目前针对该场景的研究中仅文献[24]中有多普勒频移相关的建模工作，其他时变特性的研究都还没有考虑多普勒效应.

3GPP TR 38.901引入了3GPP TR 37.885^[48]中的双移动模型来表征IIoT场景下的移动性. 在双移动模型中，第$m$条LoS径中的第$l$个簇的多普勒被建模为

式中：${\lambda _0}$为载频对应的波长；$\hat {\boldsymbol{r}}_{{\text{Rx}},l,m}^{\text{T}}$和${\boldsymbol{\hat r}}_{{\text{Tx}},l,m}^{\text{T}}$分别表示到达径和离开径的方向矢量；${{\boldsymbol{\bar v}}_{{\text{Rx}}}}$和${{\boldsymbol{\bar v}}_{{\text{Tx}}}}$则为接收端和发射端各自移动的速度矢量，

$\theta$和$\phi$分别表示垂直角和水平角. 对于其他的多径分量，对应的多普勒分量则如(14)所示：

式中，${D_{l,m}}$表示的是一个随机变量，但该变量并不服从均匀分布，而目前由于在IIoT场景中关于双重移动性的研究内容较少，在未来仍需大量的研究.

3.6   绝对时延

IIoT场景中，操控自动导引车等过程中需要实现精确定位，从通信的角度来看，定位是通过绝对时延转换而来的. 3GPP TR 38.901中对绝对时延的建模分成了LoS和NLoS两种情况来讨论，其中LoS场景下的绝对时延由直射径传播时延决定：

式中：$d_{\text{3D}}$为收发端之间的三维距离；$c$为光速. 在NLoS条件下绝对时延需要在LoS模型的基础上添加一个符合对数正态分布的附加时延$\Delta \tau$，即

式中，$\Delta \tau$的上界为

$L$为场景长度、宽度、高度之中的最大值. 表6所示为NLoS模型中附加时延参数表.

表  6  绝对时延模型参数

Tab.  6  Parameters for the absolute time of arrival model

子场景	$\lg \Delta \tau = \lg (\Delta \tau /1{\text{s}})$		水平相关距离/m
	${\;\mu _{\lg \Delta \tau }}$	${\sigma _{\lg \Delta \tau }}$
SL, DL	−7.5	0.4	6
SH, DH	−7.5	0.4	11

下载: 导出CSV 

| 显示表格

4   总结与展望

本文首先对IIoT场景特点进行了分析和总结，其次根据场景特点以及现有信道研究成果对IIoT场景的信道特性进行了阐述，最后对IIoT场景的信道特性建模进行了综述. 虽然目前IIoT场景下的信道模型已经初步实现了标准化，但是对该场景下的信道仍然需要在场景划分、频谱拓展、时变特性建模、电磁噪声建模等方面进一步深入研究.

4.1   场景划分

如前文所述，不同的场景类型以及不同子场景中信道会呈现差异性，因此需要考虑对IIoT场景进行分类. 文献[29]根据场景中散射体类型，场景中引起时变的因素等将场景分为精密工业场景、常规工业场景以及传统工业场景，但并没有对三种场景的信道特性进行建模研究. 这些文献中对IIoT场景的分类多为定性划分，并没有清晰的定量划分，而3GPP TR 38.901虽然根据散射体密度以及天线高度对NLoS场景进行了定性定量划分，但是这种分类并不完善，因此在信道研究以及建立信道模型标准时，对场景进行合理完备的分类是关键的第一步.

4.2   频谱拓展

工厂呈现出生产过程数字化和智能化的趋势，IIoT应用需要连接多个传感器，用来收集和处理数据，并及时作出响应^[49]，因此无线网络需要支持几十Gbps且低于1 ms的低延迟连接，并提供高分辨率传感和成像能力. 包括5G在内的现有蜂窝网络已不能完全满足日益增长的数据速率要求. B5G正在寻求更大带宽的频谱资源. 太赫兹频段和可见光频段因具有极其宽广的频带范围而具有显著的优势，可以满足IIoT对传输速率的要求. 太赫兹波具有较强的穿透性和更窄的波束，可以实现高分辨率成像和精确定位，为智能工厂提供更优质的服务^[50]，而可见光通信则可被视为工业应用中基于射频的解决方案的补充技术，可以实现不间断的无线通信^[51]. 现有IIoT场景信道研究成果中，文献[52]研究了亚太赫兹频段107~109 GHz，作者在三种不同工业环境中进行了2 GHz的宽带测量，研究了路径损耗、K 因子、时延扩展以及多径传播. 文献[50]选取了亚太赫兹频段142 GHz这一频点，在6~40 m的距离上进行了使用共极化和交叉极化天线配置的定向测量. 而目前还没有可见光测量在该场景中展开. 在不同工业环境开展广泛的太赫兹、可见光频段测量，为IIoT场景建立一个通用的信道模型，将促进高精度传感和定位技术的发展以及IIoT在面向未来6G及以上的智能工厂中的大规模部署.

4.3   时变特性建模

IIoT场景中为了满足移动性的需求引入了双重移动性模型，该模型原为车用信道模型，车辆移动速度快，而且周围很多运动的物体或人. IIoT场景中导引车的移动速度较慢，机械臂的移动情况则由于不同关节间速度方向不同而变得更为复杂，而且场景中大多数设备是静态不动的. 在这种场景差异下直接套用车用时变模型的准确性较低. 目前已有文献在IIoT场景中进行了动态的测量^[23-28]，但是这些论文的研究重点不在于时变特性的建模工作，这导致目前为止还没有足够的移动性数据验证双重移动模型在该场景中的适用性. 因此在未来IIoT的信道研究中，应该针对该场景信道的时变特性展开建模研究，验证双移动模型的适用性或者提出符合IIoT场景中物体运动特点的时变特性模型.

4.4   电磁噪声建模

在常规的无线通信中，通常认为噪声为加性高斯白噪声，但是IIoT场景的电磁环境较为复杂，电焊机、变频器、稳压器等设备都会辐射出大量的电磁噪声，无线通信的质量会受到电磁噪声的制约. 这些电磁噪声的功率谱密度以及生命周期与高斯白噪声呈现出较大差异^[53]，然而目前对该场景的电磁噪声并没有成熟的模型. 对IIoT场景中各种电磁噪声干扰源展开测试分析，充分了解电磁噪声的频谱特点，研究电磁噪声影响因素，进而对电磁噪声进行建模，这对于进一步研究电磁噪声干扰对无线通信的影响具有重要意义.

除此之外，还可以进一步深入对IIoT场景中信道建模方法的研究. 当前在该场景下主要运用的是统计性建模方法，少量论文运用了确定性建模的方法，但这些传统的建模方法都无法自动学习特定类型信道的规律，尤其是对于IIoT这种复杂场景. 机器学习具有强大的学习能力和预测能力，可以挖掘数据中的复杂特征，高效处理数据，在信道建模中具有很高的潜在价值. 在未来可以利用基于机器学习的信道建模方法对IIoT场景进行信道建模^[54-55].