0 引　言

随着全球对深海资源开发的加速推进，深海采矿已成为国家战略资源保障和海洋工程研究的重要方向。然而，深海环境具有高压、低温、复杂地形、信号衰减严重等自然特性，对采矿系统的通信与控制能力提出了严苛挑战。深海作业通常部署在数百米至数千米的水下，设备间的远程操控、状态监测、任务协同高度依赖通信系统的稳定性与实时性。因此，构建高效可靠的通信系统，是保障深海采矿系统正常运行、提升作业效率和安全性的核心基础。

在典型深海采矿任务中，通信系统需同时支撑多种类型的数据交互：包括各类传感器数据（温度、压力、水质、地质信息）、高带宽视频图像、协同控制指令、设备状态反馈等。这些数据要求通信系统具备低时延、高带宽、高可靠、强兼容等关键性能指标。然而，当前深海采矿船舶系统中存在多种异构通信协议（如 RTU、CAN、Profibus、TCP/IP 等），不同厂商设备缺乏标准化接口，信息难以集成，严重制约了系统协同与自动化程度。此外，海底布线复杂、维护困难，无线通信又面临多径干扰与带宽瓶颈，进一步限制了系统可扩展性与灵活性。

在现有工业自动化领域，开放平台通信统一架构（Open Platform Communications Unified Architecture，OPC UA）凭借平台无关性、良好互操作性和信息建模能力，被广泛用于异构设备的数据集成与接口标准化^[1]。已有研究表明，OPC UA 能有效提升船舶自动化系统设备间的兼容性和通信效率^[2]。然而，其多部署于有线通信环境，在深海动态空间中布线难度大、稳定性不足，难以适配复杂场景。另一方面，时间敏感网络（Time-Sensitive Networking，TSN）作为新兴的以太网扩展技术，具备低时延、高可靠、确定性传输等优势，适用于工业实时通信需求。已有研究将 TSN 应用于工业自动化，验证了其在工业场景下的数据传输性能^[3]，但主要聚焦陆地场景，鲜有面向深海环境的应用拓展。同时，为补齐带宽与时延短板，引入第五代移动通信技术（5G）成为趋势。5G具备高带宽、低时延的能力，可有效提升通信系统的灵活性和可达性，尤其适合动态部署和远距离传输。但在海洋环境下，5G基站覆盖有限，仍需引入设备间直连通信方式，以实现节点间跳跃式互联。

在TSN与5G融合通信中，时钟同步是保障端到端传输确定性的关键基础。TSN通常采用IEEE 802.1 AS协议实现设备级时间同步，而 5G系统在Release 16中也引入了支持TSN的同步机制，支持透明传输与主时钟桥接功能^[4]。部分研究已在实验环境中实现呐秒级同步精度，但在跨网络融合场景中，仍面临时钟标准不统一、无线传播延迟波动大等问题。尤其在复杂的海洋环境中，单一层次同步策略难以应对动态变化的链路条件，亟需跨层协同的误差补偿机制，以提升系统整体的时间一致性。

针对深海采矿环境中通信协议异构、带宽受限、布线困难、同步能力弱等关键问题，亟需构建一种支持协议统一、传输高效、适应复杂环境的通信控制系统。为此，本文提出一种融合统一通信协议与高速传输网络的深海船舶系统通信架构。具体而言，利用OPC UA架构标准化通信接口的能力，实现不同设备间的数据格式兼容与互操作性^[5]；通过TSN技术保障确定性传输，建立数据优先级机制，以满足深海采矿场景中多类型业务的时延需求^[6]；同时，为克服布线困难与带宽瓶颈问题，引入5G端到端通信技术，提供高带宽、低延迟的无线通信能力^[7]。此外，针对TSN与5G融合场景中存在的时钟偏移与时延不确定性，本文进一步提出一种基于物理层对齐与网络层补偿的分层时钟同步机制，以实现跨网络节点的高精度时间协同。三者在架构中协同工作，共同构建了一个适用于深海作业环境的高效通信系统。该系统不仅提高了设备间的互联能力与控制效率，也为深海采矿智能化与远程操控提供了技术支撑。

本文的主要贡献如下：

1）提出一种适用于深海复杂环境的船舶系统通信框架，利用OPC UA架构融合统一通信接口，在此基础上融合TSN时间敏感网络与5G高速无线通信技术，提升设备间的互联与协同能力；

2）设计并实现了基于分层架构的时钟同步机制，结合物理层协议时间同步与网络层误差预测补偿方法，有效解决5G-TSN环境下的时间一致性问题；

3）构建了基于QoS映射的任务优先级调度策略，实现船载多业务在不同传输路径下的服务质量动态保障；

4）搭建融合通信仿真平台，并基于OMNeT++完成通信性能验证，实验结果表明所提架构在时延控制、数据一致性和系统可扩展性方面具有显著优势。

1 基于OPC UA、TSN和5G的海洋船舶系统协同通信 1.1 深海采矿通信场景

深海采矿逐渐成为重要研究领域。深海环境具有高压、低温、复杂地形等特性，对采矿设备的通信和控制提出了严苛要求。实时数据传输与远程控制作为深海采矿的核心需求，直接决定了采矿作业的效率和安全性。深海采矿过程中需要传输大量的传感器数据、视频图像等高带宽信息，传统通信技术的带宽有限，难以满足这些需求。有线通信虽可提供稳定的通信连接，但在深海环境中布线困难，且维护成本高，扩展性差。同时深海采矿设备需要实时采集各种传感器数据（如温度、压力、水质参数等），并通过通信系统传输到中央控制室。这些数据对于监测设备状态、优化作业流程和保障人员安全至关重要。由于船舶内部设备种类繁多，包括不同品牌和型号的传感器、控制器、通信设备等，这些设备使用不同的通信协议，存在数据传输和互操作性问题。一种典型采矿船载系统如图1所示，其包括的系统包括水面支持协同控制系统、升沉补偿系统、动力输送系统、水面支持系统、矿物输送系统、集矿系统以及布放回收电控系统，涉及的通信协议包括但不限于RTU、CAN、Profibus等现场总线协议以及TCP等以太网协议。

1.2 基于OPC UA的互通互控数据通信模型

在所构建的通信系统中，OPC UA 被作为统一的通信建模与服务框架，其核心作用是为异构设备之间提供平台无关、语义一致的数据建模与交互接口。它并不直接承载底层物理通信链路，而是依托于TSN与5G提供的数据链路能力，实现高效、统一的跨设备通信。其中，TSN技术承担确定性以太网传输任务，确保关键业务数据具有低时延、高可靠的传输通道；5 G网络则补充无线传输带宽，适应深海环境中布线困难、节点分布广等问题。TSN和5G在传输层共同支撑 OPC UA构建统一的通信体系，三者职责清晰、协同互补。为保障该融合架构下的数据同步一致性，本文设计了基于“物理层对时+网络层补偿”的分层时钟同步机制，以解决5 G-TSN融合场景中跨域节点同步误差问题。同时，系统中引入基于服务类型的QoS映射机制，实现多类船载业务的优先级调度与服务质量动态保障，提升整体通信效能与任务协同效率。

基于OPC UA的互通互控模型旨在规范不同类型、不同品牌的船载设备间的数据交换和控制。通过采用OPC UA协议，能够实现异构网络环境下的语义互通，并为设备间互操作提供可靠支持。采用OPC UA的共享标准，在协议的统一层次上实现了船载控制系统设备间的语义兼容，使不同协议的设备能在统一的标准协议下进行数据交互。这种标准化的语义描述确保了设备之间的兼容性与可扩展性。通过在各设备之间引入OPC UA服务器，用于在现场多协议设备和上层应用间进行数据格式转换^[8]。OPC UA服务器充当协议转换中心，使现场多协议设备数据格式统一为OPC UA协议格式，便于上层应用和中央监控系统的调用和控制。

在系统架构方面，模型主要包含通信协议到OPC UA协议的数据转换模块、OPC UA客户端（见图2）和OPC UA服务端（见图3）3个核心组件。

各现场设备数据通过本地协议或专用协议获取后，先由数据转换模块进行预处理。该模块负责对不同类型设备的通讯协议进行解析，并将其转换成符合OPC UA的标准格式^[9]。数据转换完成后，由OPC UA服务器将标准化的数据存储，并在以太网中传输至上位机和其他应用，或响应来自中央监控系统的控制指令请求。OPC UA客户端根据应用需求对服务器中的数据进行动态调用，为各系统间的操作提供统一的接口。

此模型中，OPC UA客户端可用于接收中央监控系统的控制指令，实现设备的互通互控。数据从传感器端到上位应用的流程通过OPC UA的结构化通信完成，以确保数据的完整性和一致性^[10]。

OPC UA能够实现不同协议的消息映射但不能保证数据传输的实时性，其直接工作在应用层，当它与TSN一起使用时，可以保证数据的确定性传输。同时在和5G融合时采用5G承载网络的方式，即5G对于OPC UA和TSN来说是一个透明的逻辑网桥，将数据通过5G承载网络从OPC服务器传到中控系统客户端，总体通信架构框如图4所示。

1.3 船载TSN与5G分层时钟同步

在TSN与5G融合通信中，时钟同步是确保数据传输准确性和可靠性的重要环节^[11]。为了实现不同网络间的时钟同步，提出一种分层时钟同步方法。

分层同步是指在物理层上通过报文交互的方式进行时钟同步，同时在网络层上基于优先级队列管理来对时间敏感业务进行同步误差的预测和补偿。

1.3.1 物理层时钟同步

TSN网络使用IEEE 802.1 AS标准实现精确时间协议（PTP），而5G网络则依赖于其内部的时间同步机制^[12]。为了使这2个网络中的时钟同步，协议转换网关能够将TSN网络中的PTP时间戳转换为5G网络中的时间格式。这一过程涉及到时间戳的解析、转换和重新封装，确保时钟同步信息在2个网络之间准确无误地传递。物理层通过报文交互的时钟同步算法是基于协议转换网关的改良PTP方法，如图5所示。

主时钟发送时延测量请求报文，并记录报文发送时间t_a，该报文经过5G网络，由协议转换网关测量报文在5G网络的停留时间t_req，从时钟接收该报文，并且记录报文到达的时间t_b，主时钟发送同步报文后，随即发送携带t_a的跟随报文，从时钟收到该报文后获得t_a，随后回复携带t_b的时延响应报文，记录发送时间t_c，同样由协议转换网关测量该报文在5G网络中停留时间t_resp，主时钟收到报文的时间为t_d。主时钟统计所有时间参数并计算主从时间偏移T₀。

主从时钟之间的时间偏移为T₀，主从时钟之间的传播时延为D，那么有：

$ {t}_{1}+{T}_{0}+D={t}_{b} 。$

(1)

传播时延则由时延测量报文测量所得，同时由于经过5G网络，需要借用5G网络进行修正。公式为：

$ D=\frac{({t}_{d}-{t}_{c}-{t}_{\text{resp}})+({t}_{b}-{t}_{a}-{t}_{\text{req}})}{2} 。$

(2)

因此时钟偏移T₀为：

$ {T}_{0}={t}_{b}-{t}_{a}-D ，$

(3)

$ {T}_{0}=\frac{({t}_{b}-{t}_{a}+{t}_{\text{req}})-({t}_{d}-{t}_{c}-{t}_{\text{resp}})}{2}。$

(4)

最后由主时钟发送同步报文传递T₀给从时钟，从时钟本地时间加上T₀即可完成时钟同步。

1.3.2 网络层同步误差预测与补偿

船载5G-TSN时钟同步的误差主要来自海面波动与设备相对位移产生的多普勒频移、金属船舱反射带来的多径效应以及海洋场景下无线信道的时变衰减特性。

无线信道的多径反射存在有限个主导反射簇，其衰减时间常数与反射路径长度和反射材料导电率相关^[13]。每条路径的反射信号都具有时变衰减特性并产生多普勒效应，根据Karhunen-Loève正交展开定理，任意均方连续的随机过程可通过指数衰减正弦基函数实现最优逼近，其截断项数N由协方差矩阵特征值的能量累积占比确定^[14]，因此如式(5)所示，将误差分解为多个指数衰减谐波项，基于此对同步误差进行预测。

$ \bigtriangleup t\text=\sum \limits_{k=1}^{N}{a}_{k}{e}^{-{{t}_{s}}/{{\tau }_{k}}}\sin (2\text {π} {f}_{k}{t}_{s}+{\varphi }_{k})。$

(5)

式中：α_k 、τ_k 、f_k、$ \varphi_k $分别为第k条反射路径的信道干扰幅值、信道衰减时间常数、信道干扰频率、干扰相位偏移。

只需将预测得到这些参数，即可预测误差并补偿。由于参数为4个，所以如式(6)所示建立四维状态向量，采用扩展卡尔曼滤波算法进行预测。

$ {\boldsymbol{X}}_{\boldsymbol{k}}\mathbf=\left[\begin{matrix}{\alpha}_{{k}}\\ {{f}}_{{k}}\\ {\varphi }_{k}\\{\tau }_{k}\\ \end{matrix}\right]。$

(6)

状态向量会随时间变化，其变化矩阵为：

$ {\boldsymbol{F}}_{\boldsymbol{k}}\mathbf=\left[\begin{matrix}\mathbf{1} & \mathbf{0} & \mathbf{0} & \mathbf{0}\\ \mathbf{0} & \mathbf{1} & {{\Delta }}\boldsymbol{t} & \mathbf{0}\\ \mathbf{0} & \mathbf{0} & \mathbf{1} & \mathbf{0}\\ \mathbf{0} & \mathbf{0} & \mathbf{0} & {\boldsymbol{e}}^{{-{{\Delta }}\boldsymbol{t}}/{{\boldsymbol{\tau }}_{\boldsymbol{k}}}}\\ \end{matrix}\right] 。$

(7)

下一时刻的状态向量$ {\boldsymbol{X}}_{\boldsymbol{k}}\left(\boldsymbol{t}+\mathbf{1}\right) $和观测值$ z\left(t\right) $表示为：

$ {\boldsymbol{X}}_{\boldsymbol{k}}{(\boldsymbol{t}+1)=}{\boldsymbol{F}}_{\boldsymbol{k}}{\boldsymbol{X}}_{\boldsymbol{k}}{(\boldsymbol{t})+}{\boldsymbol{w}}_{\boldsymbol{k}}{(\boldsymbol{t})}，$

(8)

$ \boldsymbol{z}(\boldsymbol{t})=\sum \limits_{\boldsymbol{k}=1}^{\boldsymbol{N}}\boldsymbol{h}({\boldsymbol{X}}_{\boldsymbol{k}}{(\boldsymbol{t}))+\boldsymbol{v}(\boldsymbol{t})} 。$

(9)

式中：w_k(t)为t时刻的状态转移过程噪声；v(t)为t时刻的观测噪声。函数$ h\left({\boldsymbol{X}}_{\boldsymbol{k}}\left(\boldsymbol{t}\right)\right) $实现状态向量到观察向量的映射。

卡尔曼滤波需要对当前时刻的状态和协方差进行预测：

$ {\boldsymbol{\hat{\boldsymbol{X}}}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t})=}{\boldsymbol{F}}_{\boldsymbol{k}}{\boldsymbol{\hat{\boldsymbol{X}}}}_{\boldsymbol{k}}{(\boldsymbol{t}-1)}，$

(10)

$ {\boldsymbol{P}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t})=}{\boldsymbol{F}}_{\boldsymbol{k}}{\boldsymbol{P}}_{\boldsymbol{k}}{(\boldsymbol{t}-1)}\boldsymbol{F}_{\boldsymbol{k}}^\mathbf{\boldsymbol{T}}\mathbf+{\boldsymbol{Q}}_{\boldsymbol{k}} 。$

(11)

式中：上一时刻状态估计值向量$ \widehat{{\boldsymbol{X}}_{\boldsymbol{k}}}\left(\boldsymbol{t}-\mathbf{1}\right) $通过变化矩阵$ {\boldsymbol{F}}_{\boldsymbol{k}} $进行变换得到当前时刻的预测状态$ \widehat{\boldsymbol{X}_{\boldsymbol{k}}^{-}}\left(\boldsymbol{t}\right) $。$ {\boldsymbol{P}}_{\boldsymbol{k}}\left(\boldsymbol{t}-\mathbf{1}\right) $为上一时刻的状态协方差矩阵；$ {\boldsymbol{Q}}_{\boldsymbol{k}} $为过程噪声的协方差矩阵。

预测后，对状态向量进行更新，首先计算卡尔曼增益：

$ {\boldsymbol{K}}_{\boldsymbol{k}}{(\boldsymbol{t})=}{\boldsymbol{P}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t})}\boldsymbol{H}_{\boldsymbol{k}}^\mathbf{\boldsymbol{T}}{\mathbf{(}{{\boldsymbol{H}}_{\boldsymbol{k}}}{{\boldsymbol{P}}_{\overset{\mathbf-}{\boldsymbol{k}}}}{(\boldsymbol{t})}{\boldsymbol{H}_{\boldsymbol{k}}^\mathbf{\boldsymbol{T}}}{+\boldsymbol{R})}}^{\mathbf{-1}}。$

(12)

式中：H_k为雅可比矩阵。它是非线性项$ h({X}_{k})~={\boldsymbol{a_{k}}}{e}^{-{{t}_{s}}/{{\tau }_{k}}} \sin (2\text π {f}_{k}{t}_{s}+{\varphi }_{k}) $的偏导数：

$ \boldsymbol{H}_{k}=\displaystyle\frac{\partial h}{\partial {\boldsymbol{X}}_{\boldsymbol{k}}}=\begin{bmatrix}\displaystyle\frac{\partial h}{\partial {a}_{k}}，\displaystyle\frac{\partial h}{\partial {f}_{k}}，\displaystyle\frac{\partial h}{\partial {\varphi }_{k}}，\displaystyle\frac{\partial h}{\partial {\tau }_{k}}\\ \end{bmatrix} 。$

(13)

更新状态向量与协方差矩阵：

$ {\boldsymbol{\hat{\boldsymbol{X}}}}_{\boldsymbol{k}}{(\boldsymbol{t})=}{\boldsymbol{\hat{\boldsymbol{X}}}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t})+}{\boldsymbol{K}}_{\boldsymbol{k}}{(\boldsymbol{t})(\boldsymbol{z}(\boldsymbol{t})-}\sum \boldsymbol{h}({\boldsymbol{\hat{\boldsymbol{X}}}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t}))}\mathbf{)}，$

(14)

$ {\boldsymbol{P}}_{\boldsymbol{k}}{(\boldsymbol{t})=(\boldsymbol{I}-}{\boldsymbol{K}}_{\boldsymbol{k}}{(\boldsymbol{t})}{\boldsymbol{H}}_{\boldsymbol{k}}\mathbf{)}{\boldsymbol{P}}_{\overset{\mathbf-}{\boldsymbol{k}}}{(\boldsymbol{t})}。$

(15)

对于当前时刻t，从预测的状态向量$ \widehat{{\boldsymbol{X}}_{\boldsymbol{k}}}\left(\boldsymbol{t}\right) $中提取参数，计算非线性随机误差估计值:

$ {\varepsilon }_{nl}=\sum \limits_{k=1}^{N}{\hat{a}}_{k}{e}^{-{{t}_{s}}/{{\hat{\tau }}_{k}}}\sin (2\text π{\hat{f}}_{k}{t}_{s}+{\hat{\phi }}_{k})。$

(16)

最后进行同步误差补偿。为确保TSN与5G网络间的跨域数据同步，本文提出了如上的分层时钟同步机制。在此基础上，为满足多类业务的服务质量差异化需求，需进一步设计基于QoS映射的任务调度策略。

1.4 船载5G-TSN的QoS映射

在船载5G-TSN融合通信中，服务质量（Quality of Service，QoS）直接影响到数据传输的性能和可靠性^[15]。为了实现TSN与5G之间的QoS协同，提出了基于5G PCF（Policy Control Function）的QoS映射和策略协同方法，流程如图6所示。TSN网络通过IEEE 802.1 Q标准定义了多种QoS等级，每种等级对应不同的传输优先级和带宽保证。而5G网络则通过5G QoS配置文件（QoS Profile）来管理服务质量。为了实现TSN与5G之间的QoS协同，5G PCF需要提供一个映射表，将TSN QoS等级映射到5G QoS配置文件。具体来说，当TSN网络中的某个数据流需要传输到5G网络时，5G PCF会根据映射表选择合适的5G QoS配置文件，并建立相应的5G QoS流通道。

在船载OPC UA，TSN-5G融合的场景下，不仅需要实现由TSN优先级流量到5G的QoS流量映射，还需要根据不同的业务需求动态调整QoS策略^[16]。5G PCF可以根据网络状态和业务需求，动态地调整5G QoS配置文件，从而实现差异化QoS调度。具体来说，TSN优先级有0～7共8个，最高优先级为7，最低优先级为0，利用5G PCF监测网络流量的优先级和资源使用情况，根据实时数据动态调整QoS配置，确保关键业务的优先级和带宽需求得到满足。

如图6所示，将船载业务分为三类，包括突发性业务、周期性业务以及非时间敏感业务。突发性业务主要包括水面支持、动力传输等系统的预警情况，设备故障停机以及绞车的控制指令等，这类数据危险系数高，随机性大，所以对网络传输的要求最高，对应的优先级也最高，划分的QoS配置也是时延敏感的传输保障流量（Delay-Critical Guaranteed Bit Rate，DC-GBR）。周期性业务是船载系统的主要业务，包括集矿作业车的坐标与海拔，船载设备的电压电流状态，油箱的位移，液压等，这类业务直接关系船载系统能否稳定运行，所以对通信的要求也较高，视情况动态划分TSN优先级4～6并动态调整相应的QoS配置，这类数据的QoS流为传输保障流量（Guaranteed Bit Rate，GBR）。最后是非时间敏感业务，包括设备状态的手动查询，监控视频传输等，其时延要求较低，但流量的并发量较大。对应TSN优先级0～3，QoS流为非传输保障流量（Non-Guaranteed Bit Rate，Non-GBR）。

2 仿真实验设计 2.1 OPC UA信息模型

根据深海采矿船船载设备的需求，设计相应的信息节点，如图7所示。

以声呐对象为例，声呐对象下分为私有类型属性以及公有类型属性，公有类型属性包括基本属性如设备ID、设备名称、设备制造商、设备工作模式、设备健康度、设备连接方式等，而私有属性则是声呐独有的数据，如扫描半径、扫描深度、声呐类型、反射强度。添加其他设备时只需要继承Device的公有属性再补充自身私有属性即可。如此设计可以简化添加新节点的流程，便于拓展和维护。设计好信息模型后，将其部署到服务器当中，利用SiOME软件对信息模型导出为XML文件，在服务器中调用该XML配置进行实例化。

实例化信息模型后，将通信从站的数据接口同信息模型所在的地址空间绑定，在OPC UA服务器中通过通信从站接收数据帧并且解码，抽象出一个具体数据类型的数据如INT型数据，通过绑定好的地址传入相应的信息模型当中。同时在服务器中加入了run和stop方法来模拟远程控制设备。例如Sonar的stop方法可以在connect的状态下调用，调用后会将信息节点中Sonar节点的Process这3个过程变量更新为停止状态，同时将他的扫描半径、扫描深度设置为 0，停止Sonar设备的运行。

2.2 OPC UA服务器设置

OPC UA服务器的数据采集端协议与设备对照如表1所示。

Linux系统下的OPC UA服务器以及数据采集端设备配置如表2所示。

2.3 OPC UA与5G-TSN网络融合通信

利用OMNet++仿真软件进行网络仿真，该软件本身并不支持工业物联网相关部件，但其支持利用网络虚拟化功能建立虚拟IP，和物理设备进行数据连接，于是通过该方法将OPC UA服务器与仿真软件中的业务终端相连接，合成为一个Device组件。由此可以实现与OPC UA协议结合的网络仿真。

3GPP和IEEE定义了TSN和5G网络的协议转换网关所需功能，该设备分为两类分别是基于用户端的DS-TT和基于网络侧的NW-TT，担负着协议转换、时间同步、流量管理等多项重要功能，确保了工业自动化、智能交通等时间敏感无线终端应用能够顺利接入TSN网络并获得所需的实时性能。在OMNet++中利用TSN和5G相关组件，设计符合标准的DS-TT和NW-TT作为5G承载网的网络接口，编写时钟同步、数据转发等模块实现对TSN数据包的目的IP地址进行二次封装，让其能通过5G网络传输到对应的TSN终端。

数据通过TSN交换机发往协议转换网关当中，会在原有的封装上附加一层封装，转发到5G网络当中，在5G网络中通信的状态对于TSN网络来说是透明的，直到另一侧协议转换网关再收到封装数据包，进行解封装再发往TSN交换机当中。OMNet++仿真软件支持D2D通信方案，在5G终端中开启D2D模式，同时在搭建仿真环境时取消5G基站及相关组件的搭建，模拟无基站信号覆盖的海洋环境。

2.4 仿真参数设置

本文仿真实验模拟了9个船载业务系统设备及其通信链路，设置了8个业务优先级，其中Device的数据均来自OPC UA服务器，该实验仿真从服务器的信息模型中提取信息，以及向服务器回传信息的过程。结合一种典型船载通信系统场景（100 m通信范围、400 Mbps带宽），5G-TSN网络仿真参数如表3所示，包括船载信道干扰模型，干扰参数的船载典型值等。

仿真流量随机在各个设备中生成，总数设置为100～600，间隔为50。仿真流量设置如表4所示。

3 实验结果分析 3.1 实验指标

实验指标包括各设备流量的平均端到端时延及其时延抖动与所有时间敏感流量的平均端到端时延。

平均端到端时延由设备的所有流量从发送到接收的平均时间差决定，如下式：

$ {t}_{{\mathrm{avg}}}=\frac{\displaystyle\sum \limits_{k=1}^{K}{t}_{{\mathrm{rec}}}-{t}_{{\mathrm{send}}}}{K}。$

(17)

式中：K为流量总数。

时延抖动是端到端时延的最大值与最小值之差，如下式：

$ {t}_{Jit}={t}_{avg\_ \max }-{t}_{avg\_ \min }。$

(18)

所有时间敏感流量和非时间敏感流量的平均端到端时延的计算公式与式(17)相似，仅将K代表的意义变更为发送该流量的设备总数。

3.2 结果分析

流量总数设置为600时各设备的平均端到端延迟以及抖动如表5所示。可见，设备所有流量包括时间敏感流量以及非时间敏感流量的平均端到端时延均维持在500 ms以内，抖动也维持在20 ms以内。

时间敏感流量平均端到端时延如图8所示。对比的IKC-ROM为一种基于改进K-means聚类和粗糙集理论的QoS映射算法^[17]，QCM-ASM则是领域内经典的基于函数进行QoS映射算法^[18]。可见分层时钟同步算法下，无论是DC-GBR还是GBR流量的平均端到端时延都低于其余2种算法，DC-GBR流的平均端到端时延始终在1 us以内，而GRP流的平均端到端时延保持在3 us内。

4 结　语

本文针对海洋船舶系统中通信协议不统一、传输效率低等问题，设计了一种基于OPC UA架构、融合TSN与5G的协同通信系统。通过OPC UA实现异构设备间的数据兼容，结合TSN与5G提升通信的带宽与时延性能，适应深海复杂环境下的部署需求。此外，提出了基于物理层对齐与网络层补偿的分层时钟同步机制，保障系统内各节点的时间一致性；构建了基于QoS映射的调度策略，实现多类业务的差异化传输保障。实验结果表明，该系统在100 m无线距离、400 Mbps带宽下，传输时延低于500 ms，抖动小于20 ms，显著提升了通信性能与协同效率。本研究为深海作业中的智能通信系统提供了新思路，具备良好的工程应用前景。