手持终端与边缘网关协同的石油巡检AI任务动态卸载与推理分流方法及系统与流程

本发明涉及石油智能巡检、边缘计算调度与协同推理，尤其涉及油田井场场景下的边端算力协同优化系统。

背景技术：

1、随着油田数字化转型的持续推进，ai视觉分析、多模态故障诊断等智能算法已广泛应用于油田巡检作业。当前油田井场通常部署两类边缘计算设备：一类是巡检人员随身携带的手持终端，如防爆pda、三防手持终端，具备便携性和现场数据采集能力，但受限于便携式设备的物理尺寸与功耗约束，其算力、存储及电池续航资源均较为有限，仅能承载轻量化的ai检测任务；另一类是部署于井站或场站现场的边缘网关，通常配备ai加速芯片，具备较强的ai推理算力。在当前的油田生产运行中，ai技术主要用于油井工况诊断、异常识别与告警、预测性维护、能耗优化等场景；然而，现有技术在边端算力协同与任务调度层面仍存在以下缺陷：

2、第一，针对多模态融合故障诊断、大模型语义分析等计算密集型ai任务，手持终端单独处理时推理延迟普遍超过12秒，无法满足油田现场实时分析与应急处置的需求；同时满负载运行状态下功耗超过8w，大幅缩短了野外巡检的续航时长，难以支撑全天候连续巡检作业。

3、第二，现有井场边缘网关多仅承担数据采集转发、简单阈值报警功能，ai算力利用率不足25%，大量算力资源未得到有效利用，造成硬件投入的价值浪费。这些网关无法与前端手持终端形成有效的算力互补，边端资源配置严重失衡。

4、第三，现有技术多采用“全本地执行”或“全云端卸载”的二元处理模式，或基于预设通信模型的粗粒度任务卸载策略；部分静态卸载方案无法适配油田野外网络带宽波动、双端负载动态变化的场景，任务拆分粒度粗糙，无法实现层级化的推理分流，导致协同效率低下。

5、第四，现有卸载方案未充分考虑油田野外网络不稳定、设备临时故障等场景，网络中断或网关故障时易导致任务执行失败，影响巡检作业的连续性，难以适配油田复杂的野外作业环境。

6、综上，现有技术中存在手持终端算力与续航不足、边缘网关算力闲置、缺乏精细化动态协同推理与卸载机制、异常场景下任务执行易中断的缺陷。

技术实现思路

1、本发明为了解决现有技术存在的手持终端复杂任务处理能力不足，功耗过高；井场边缘网关算力资源闲置浪费；缺乏精细化动态协同推理与任务卸载机制；异常场景适配能力不足等问题，提出了一种手持终端与边缘网关协同的石油巡检ai任务动态卸载与推理分流方法，所述方法包括：

2、步骤一：采集手持终端与边缘网关的双端运行状态数据以及二者之间网络链路的通信状态数据，对采集到的状态数据进行滤波处理，输出实时状态数据；

3、步骤二：响应于接收到的石油巡检ai任务，按照ai任务所对应的推理模型的网络层级，将ai任务拆分为具有依赖关系的多个子任务，评估各子任务的计算量与数据传输量，并标记各子任务的类型与依赖关系，输出子任务集合；

4、步骤三：获取子任务集合与实时状态数据，将实时状态数据与子任务集合输入至卸载决策模型中，由卸载决策模型以任务总推理延迟和手持终端功耗为优化目标，为各子任务分别决策执行位置，生成卸载决策方案；

5、步骤四：按照子任务集合中各子任务的依赖关系，根据卸载决策方案，将各子任务分配至对应的执行位置，控制手持终端与边缘网关以流水线方式并行执行各子任务，并通过异步流式传输方式在各执行位置之间传输各子任务的输入数据和输出数据；

6、步骤五：根据各子任务的拆分位置对各执行位置输出的子任务结果进行融合处理，输出最终推理结果。

7、进一步地，在步骤一中，

8、所述双端运行状态数据包括手持终端的cpu利用率、npu利用率、内存使用率、剩余电量和实时功耗，以及边缘网关的ai算力利用率、通用cpu负载、内存使用率和存储占用率；所述通信状态数据包括实时带宽、往返时延和丢包率；

9、所述对采集到的状态数据进行滤波处理具体为：采用大小为10的滑动窗口对实时带宽和往返时延进行平滑处理，输出窗口内的均值作为决策依据；

10、空闲状态下采集状态数据的频率为1hz，任务执行过程中采集状态数据的频率为5hz。

11、进一步地，在步骤二中，

12、以ai任务所对应的推理模型的单个网络层为最小拆分单位，将连续多层合并为一个所述子任务；

13、所述子任务的类型为计算密集型或逻辑控制型；所述计算密集型包括卷积运算、特征提取和注意力计算，卸载优先级高于逻辑控制型；所述逻辑控制型包括后处理、非极大值抑制和结果格式化，优先保留在手持终端本地执行；

14、所述子任务集合中，各子任务输出三项量化评估指标，分别为浮点计算量、输入数据体量和输出数据体量；各子任务均标记其前置依赖子任务与后置依赖子任务；

15、针对井口泄漏检测、设备红外故障诊断和多模态融合分析三类石油巡检任务，预设对应的拆分模板，响应于接收到的石油巡检ai任务，调用与石油巡检ai任务类型相对应的拆分模板对ai任务进行拆分。

16、进一步地，在步骤三中，

17、所述卸载决策模型采用深度q网络模型；

18、将实时状态数据与子任务集合中各子任务的三项量化评估指标拼接为12维特征向量作为模型输入；

19、模型输出各子任务分配至手持终端本地执行或分配至边缘网关远程执行的概率分布；

20、所述卸载决策模型采用奖励函数对卸载决策进行评估，奖励函数具体为：

21、

22、其中，为任务总推理时延，包含计算时延与数据传输时延；为手持终端执行该任务的总功耗；为任务完成奖励，任务成功完成时取值为1，失败时取值为0；α为时延权重系数，β为功耗权重系数，γ为完成奖励系数。

23、进一步地，

24、根据当前石油巡检ai任务的任务优先级动态调整时延权重α与功耗权重β的取值；高优先级任务中α取值提升、β取值降低；常规巡检任务中α取值降低、β取值提升。

25、进一步地，

26、设置10mbps为基准带宽阈值，当监测到的平滑带宽低于基准带宽阈值时，在卸载决策模型的奖励函数中增加数据传输量的惩罚项，降低数据量大于预设阈值的子任务卸载至所述边缘网关的概率；当所述平滑带宽高于基准带宽阈值时，恢复默认权重。

27、进一步地，

28、控制手持终端与边缘网关以流水线方式并行执行各所述子任务时，将各所述子任务的执行过程划分为数据发送阶段、计算阶段和结果回传阶段；手持终端与边缘网关在数据发送阶段、计算阶段和结果回传阶段重叠并行执行；

29、通过异步流式传输方式在各执行位置之间传输各所述子任务的输入数据和输出数据时，将传输数据划分为固定大小的数据块进行连续传输，接收端设置数据缓冲区，收到首个数据块后即启动预处理流程，实现传输与计算的时间重叠。

30、进一步地，

31、根据各子任务的拆分位置对各执行位置输出的子任务结果进行融合处理时，若拆分点位于模型特征提取阶段，则执行特征级融合，对手持终端与边缘网关输出的特征图进行拼接与校准；若拆分点位于模型输出阶段，则执行结果级融合，对手持终端与边缘网关检测结果进行合并与去重。

32、进一步地，

33、在执行各子任务的过程中，持续监测通信链路状态与边缘网关的响应状态，当连续多个采样周期未接收到边缘网关的响应时，判定为网络中断，将所有尚未执行的远程子任务切换至手持终端本地执行，已完成的远程子任务结果保留；

34、当通信链路恢复后，自动校验已传输的数据进度，从传输中断位置继续传输未完成的数据，并将手持终端本地执行的子任务结果同步至边缘网关。

35、本发明提出一种手持终端与边缘网关协同的石油巡检ai任务动态卸载与推理分流系统，包括：

36、状态监测模块，用于采集手持终端与边缘网关的双端运行状态数据以及二者之间网络链路的通信状态数据，对采集到的状态数据进行滤波处理，输出实时状态数据；

37、任务拆分模块，用于响应于接收到的石油巡检ai任务，按照ai任务所对应的推理模型的网络层级，将ai任务拆分为具有依赖关系的多个子任务，评估各子任务的计算量与数据传输量，并标记各子任务的类型与依赖关系，输出子任务集合；

38、卸载决策模块，用于获取子任务集合与实时状态数据，将实时状态数据与子任务集合输入至卸载决策模型中，由卸载决策模型以任务总推理延迟和手持终端功耗为优化目标，为各子任务分别决策执行位置，生成卸载决策方案；

39、协同执行模块，用于按照子任务集合中各子任务的依赖关系，根据卸载决策方案，将各子任务分配至对应的执行位置，控制手持终端与边缘网关以流水线方式并行执行各子任务，并通过异步流式传输方式在各执行位置之间传输各子任务的输入数据和输出数据；

40、结果融合模块，用于根据各子任务的拆分位置对各执行位置输出的子任务结果进行融合处理，输出最终推理结果。

41、本发明的有益效果：

42、本发明为了解决上述问题，提出了手持终端与边缘网关协同的石油巡检ai任务动态卸载与推理分流方法及系统，具有如下改进效果：

43、1、本发明通过构建双端多维度状态实时监测模块，实现了对终端算力、网关算力及网络链路三大维度状态的实时感知与平滑滤波，为卸载决策提供了稳定精准的输入。在此基础上，通过深度强化学习卸载决策模块以任务总推理延迟和手持终端功耗为双优化目标，实现了边端算力资源的动态最优分配，有效延长了野外巡检的续航时长，支撑全天候连续巡检作业。

44、2、本发明通过层级化任务拆分与评估模块以及卸载决策模型的最优分配，将计算密集型子任务精准卸载至边缘网关执行，充分释放了闲置算力价值，提升了硬件投入的投入产出比。

45、3、本发明通过层级化拆分机制，实现了以模型单层为最小粒度的推理分流，解决了传统整任务或粗粒度卸载方式灵活性差的问题，能够根据双端负载动态调整卸载比例，实现边端算力的精细化最优分配。

46、4、本发明通过异步流水线协同推理机制，将子任务执行划分为数据发送、计算和结果回传三个阶段实现重叠并行，有效隐藏了网络传输延迟，最大化利用了双端算力资源。

47、5、本发明通过异常场景降级保障机制，在网络中断场景下自动实现任务降级与断点续传，保障了弱网及断网环境下任务完成率，适配油田野外网络波动大、设备临时故障频发的复杂作业环境，保证了巡检作业的连续性和可靠性。