基于边云协同任务卸载的故障诊断优化方法及电子设备

技术特征：
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，并确立任务卸载的多目标优化函数的步骤，包括：将诊断任务的卸载时间分为计算时间和传输时间，并进行诊断任务卸载时间分析，获得总运行时间t；将诊断任务的卸载能耗分为计算能耗和传输能耗，并进行诊断任务卸载能耗分析，获得总能耗e；确立任务时延的权重因子α和任务能耗的权重因子β，建立任务卸载的多目标优化函数g＝α*t β*e。6.根据权利要求5所述的方法，其特征在于，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的步骤，包括：设置状态、动作、奖励三个参数；将状态、动作、奖励输入故障诊断模型，利用注意力机制的平均网络参数的drqn算法，经过迭代计算出使多目标优化函数g得到最小解的任务时延的权重因子α和任务能耗的权重因子β。7.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至6任一项所述的方法。

技术总结
本发明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-DRQN算法，求出多目标优化函数的最小解。标优化函数的最小解。标优化函数的最小解。


技术研发人员：刘晶 石志鹏 季海鹏 赵佳 徐伟杰
受保护的技术使用者：河北工业大学
技术研发日：2022.06.10
技术公布日：2022/8/22