基于边云协同任务卸载的故障诊断优化方法及电子设备技术

本发明专利技术提供了一种基于边云协同任务卸载的故障诊断优化方法及电子设备，属于工业设备故障诊断及边云协同任务卸载的技术领域，缓解了现有技术存在诊断时延偏高的问题。该方法包括：针对各诊断任务不同的容忍时延，建立边云DNN多分支的故障诊断模型；其中，故障诊断模型包括多个故障诊断模型分支，每个故障诊断模型分支由相应的DNN网络层组成；按照诊断模型结构，以层为粒度，根据FLOPs将故障诊断模型分为多个部分，每一个部分构成一个诊断任务，并建模为一个DAG；对故障诊断模型的诊断任务的卸载时延与卸载能耗进行分析，并确立任务卸载的多目标优化函数；利用APAM

【技术实现步骤摘要】
基于边云协同任务卸载的故障诊断优化方法及电子设备


[0001]本专利技术涉及工业设备故障诊断及边云协同任务卸载
，尤其是涉及一种基于边云协同任务卸载的故障诊断优化方法及电子设备。

技术介绍

[0002]随着人工智能、物联网及工业互联网技术的发展，工业制造业正走向数字化与智能化，机械设备也朝着日益复杂化、集成化的方向发展。一旦结构复杂的精密关键机械部件发生故障，将严重影响机械设备的正常运转，造成重大损失。因此，对大型机械设备故障的预测诊断和预防，是工业制造业发展的重要课题。
[0003]设备故障诊断的实时性和能耗开销，直接影响实际生产的效率及安全性，是决定故障诊断服务质量的关键指标。然而目前大多数故障诊断方法的诊断时延与能耗较高，难以提供高质量的诊断服务并满足智能制造场景的需求。针对上述问题，学者们引入边云协同的技术。边云协同主要包含资源协同、数据协同和服务协同三种协同方式。
[0004]资源协同即靠近数据源的边缘端提供基本的算力、存储资源，能够自主调度本地资源，处理时延敏感型任务，中心云作为资源总调度中心，可以为边缘端提供资源调度决策。文章[Wang S,Tuor T,Salonidis T,et al.When edge meets learning:adaptive control for resource
‑
constrained distributed machine learning[C].IEEE INFOCOM 2018
‑
IEEE Conference on Computer Communications.IEEE,2018:63
‑
71.]提出了一种利用中心参数服务器来进行参数聚合的分布式模型训练算法，该方法将不同分布式节点的本地模型参数上传进行聚合，而不需将原始数据上传到中心云。同时，在本地更新与全局参数聚合之间进行权衡，提出一种最小化给定资源预算的控制算法。文章[Li Y,Shen B,Zhang J,et al.Offloading in HCNs:congestion
‑
aware network selection and user incentive design[J].IEEE Transactions on Wireless Communications,2017,16(10):6479
‑
6492.]针对云边缘场景中资源的异构性而导致协同的多跳性问题，设计了拥塞处理及信任感知下的资源调度机制，在保证网络稳定性及负载均衡性的前提下，实现了高效任务调度及全局资源共享。
[0005]数据协同即边缘端对采集的数据进行原始处理，然后将相应的数据及处理结果发送至中心云，中心云汇集海量数据，进行数据挖掘、模型训练，并将模型下沉至边缘节点。对于边云数据协同的研究，文章[Zhang X,Qiao M,Liu L,et al.Collaborative cloud
‑
edge computation for personalized driving behavior modeling[C].Proceedings of the 4th ACM/IEEE Symposium on Edge Computing.2019:209
‑
221.]提出了一种基于云边协同的个性化驾驶行为分析方法，云端根据各边缘端上传的数据训练一个通用的模型，模型经过裁剪后迁移至边缘端，边缘端模型根据汽车行驶时的加速度、角速度等数据对司机驾驶行为是否异常做出判断。实验证明，该方法可以满足实时性需求。
[0006]服务协同即中心云作为管理中心，为边缘节点提供应用部署、开启服务、结束服务等生命周期的管理方案；拥有丰富资源的中心云负责模型训练，并将模型下沉至边缘节点
进行识别分类。对于边云服务协同的研究，文章[Ma X,Zhang S,Li W,et al.Cost
‑
efficient workload scheduling in cloud assisted mobile edge computing[C].2017IEEE/ACM 25th International Symposium on Quality of Service(IWQoS).IEEE,2017:1
‑
10.]设计一种云边缘协同(CAME)架构，同时提出一种负载均衡与云外包策略，由CAME架构建模分析系统时延，并构建为服务质量最大化问题，以平衡时延与成本花销，提高服务质量。结果表明，该框架可以按需降低时延。文章[Kang Y,Hauswald J,Gao C,et al.Neurosurgeon:collaborative intelligence between the cloud and mobile edge[J].ACM SIGARCH Computer Architecture News,2017,45(1):615
‑
629.]设计了Neurosurgeon框架，根据DNN(Deep Learning Neural Network，深度神经网络)模型各层的类型，以层为粒度，该框架在移动设备与中心云之间进行模型划分，最终返回最佳模型划分点以降低延迟，提供实时高效的服务。
[0007]边云协同技术的发展为智慧工厂等场景的落地带来了契机。在智慧工厂场景中，存在大量传感器实时采集设备生产状态数据，而设备故障诊断对诊断实时性、数据安全性及资源管理效率有较高的要求，传统的设备故障诊断方法已经难以满足工业生产的需求。面向设备故障诊断场景，云计算是实现基于深度学习设备故障诊断方法的重要支撑技术，利用中心云丰富的算力与存储资源，对海量数据进行特征提取和数据挖掘。然而，物联网技术的快速发展，使设备产生的数据呈指数爆炸型增长，海量数据的上传导致巨大的网络传输资源开销，且中心云远离数据源，无法保证故障诊断的实时性。而在边缘计算模式中，数据在靠近数据源的边缘节点进行存储与预处理，不需要直接上传至远程云端，极大地降低了诊断响应时间，并有利于数据的隐私保护。文章[Qian G,Lu S,Pan D,et al.Edge computing:A promising framework for real
‑
time fault diagnosis and dynamic control of rotating machines using multi
‑
sensor data[J].IEEE Sensors Journal,2019,19(11):4211
‑
4220.]提出基于边缘计算的旋转机械故障诊断方法，首先，边缘端采集电机的原始信号数据，接着对振动信号数据进行特征提取与融合，最终实现分类诊断，实验结果证明了边缘端可以实现高精度故障诊断，并制定有效的故障应对措施；文章[Tharmakulasingam S,Lu S,Phung本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边云协同任务卸载的故障诊断优化方法，其特征在于，包括：针对各诊断任务不同的容忍时延，建立边云DNN多分支的故障诊断模型；其中，故障诊断模型包括多个故障诊断模型分支，每个故障诊断模型分支由相应的DNN网络层组成；按照诊断模型结构，以层为粒度，根据每秒浮点运算次数FLOPs将故障诊断模型分为多个部分，每一个部分构成一个诊断任务，并建模为一个有向无环图DAG以表示各部分之间的执行顺序；对故障诊断模型的诊断任务的卸载时延与卸载能耗进行分析，并确立任务卸载的多目标优化函数；利用基于注意力机制的平均网络参数的DRQN算法，求出多目标优化函数的最小解。2.根据权利要求1所述的方法，其特征在于，多个故障诊断模型分支中的第一故障诊断模型分支包括4层卷积层和1层池化层。3.根据权利要求2所述的方法，其特征在于，多个故障诊断模型分支中的第二故障诊断模型分支包括5层卷积层和1层池化层。4.根据权利要求3所述的方法，其特征在于，多个故障诊断模型分支中的第三故障诊断模型分支包括3层卷积层、3层长短期记忆网络层和1层池化层。5.根据权利要求1所述的方法，其特征在于，对故障诊断模型的诊断任务的卸载时延与卸载能耗进行分析，并确立任务...

【专利技术属性】
技术研发人员：刘晶，石志鹏，季海鹏，赵佳，徐伟杰，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：