一种工业智能制造边缘智能计算优化方法与流程

技术特征：
1.一种工业智能制造边缘智能计算优化方法，其特征在于，包括以下步骤：采集工业生产中设备的状态数据，并经边缘网关传递到服务器；在服务器中建立带有退出节点的边缘计算模型，并将边缘计算模型部署到网关中；当有计算任务时，边缘网关通过边缘计算模型输入选择退出节点，对实时采集的设备状态进行在线识别，并将识别结果送至服务器，实现边缘计算的优化。2.根据权利要求1所述的一种工业智能制造边缘智能计算优化方法，其特征在于，所述建立带有退出节点的边缘计算模型，包括以下步骤：将设备状态经过池化后得到特征结果，作为输入变量输入到神经网络中；在训练阶段，将损失函数与每个出口结合起来，每个出口决定于深度的准确率；x是输入变量，在每个出口点设计一个目标函数如下：入变量，在每个出口点设计一个目标函数如下：是一个函数，表示从入口点到第n个出口分支的神经网络的输出，即为z，作为识别结果；θ代表网络参数，包括权值和偏置；然后将网络输出结果通过softmax激活函数得到用于表示含有设备正常或异常分类的状态判别结果状态判别结果c是所有可能设备状态c的集合，在第n个退出节点的计算模型损失函数l
n
如下：y是模型输出的真实值，即设备真实的正常或异常状态；然后将每个出口损失函数的加权和最小化作为优化问题进行训练，得到训练后的模型。3.根据权利要求2所述的一种工业智能制造边缘智能计算优化方法，其特征在于，设备状态经过最大池化方法得到特征结果，具体如下：其中，e
ij
是状态矩阵的第i行和第j列中的元素，所述状态矩阵通过采集的设备状态得到，m为设备状态特征向量输入的个数，是最大元素的结果。4.根据权利要求2所述的一种工业智能制造边缘智能计算优化方法，其特征在于，设备状态经过平均池方法得到特征结果，具体如下：平均池通过取状态矩阵每个分量的平均值来作为特征结果。
其中，e
ij
是状态矩阵的第i行和第j列中的元素，所述状态矩阵通过采集的设备状态得到，m为设备状态特征向量输入的个数，是平均元素的结果。5.根据权利要求2所述的一种工业智能制造边缘智能计算优化方法，其特征在于，联合损失函数l如下：式中，n为模型出口点的总数，β
n
为每个出口的关联权值。6.根据权利要求2所述的一种工业智能制造边缘智能计算优化方法，其特征在于，经过训练后，使用熵来衡量在出口点分类器对样本预估概率，熵的定义为：其中，通过激活函数得到状态判别结果包含所有可能结果的计算概率，c是所有可能设备状态c的集合，快速决断算法为：(1)n＝1...n为第n个退出节点，计算(1)n＝1...n为第n个退出节点，计算(2)如果e＜t
n
则返回n，否则重复(1)；其中x是输入样本，tn是决定是否在第n层退出的时间阈值，n是出口点的总数。7.根据权利要求2所述的一种工业智能制造边缘智能计算优化方法，其特征在于，在线优化阶段，边缘计算模型首先在边缘网关上退出，之后在服务器上完成剩余节点的网络计算；在第n个退出节点，在边缘网关上每个退出节点的运行时间ed
n
和服务器上的运行时间es
n
，z
n
是模型第n层的输出计算量，input为模型输入计算量；在带宽b下，计算整个运行时如果a小于目标时延，则直接选择在目标时延内的退出节点作为出口点n；如果a大于等于目标时延，则不改变训练阶段得到的出口点n。

技术总结
本发明涉及一种工业智能制造边缘智能计算优化方法，设计工业智能制造边缘计算模型可划分为边缘资源感知模型、边缘资源与任务调度模型、边缘智能计算等模型。边缘智能计算模型基于深度学习方法，计算各个神经网络退出节点的联合损失函数，得到云边协同的自主规模适应网络模型。在线优化阶段在设定网络带宽下，计算服务器与边缘设备整体运行时间，若小于要求时延，则在线选择出口点。本方法能够缩小神经网络规模，在边缘网关设备上部署浅层深度学习模型，实现状态预研判，同时将中间结果送至云端，完成最终计算结果。完成最终计算结果。完成最终计算结果。


技术研发人员：于诗矛 宋纯贺 徐文想 武婷婷 刘硕 曾鹏
受保护的技术使用者：中国科学院沈阳自动化研究所
技术研发日：2020.08.18
技术公布日：2022/2/23