[發(fā)明專利]基于深度學習和邊緣計算的工業(yè)互聯(lián)網(wǎng)系統(tǒng)及工作方法

有效

• 申請?zhí)枺?/td>: 202010172045.2
• 申請日: 2020-03-12
• 公開（公告）號: CN111400040B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設計）人: 唐朝偉;溫浩田;阮帥;黃寶進;馮鑫鑫;劉洪賓;湯東
• 申請（專利權）人: 重慶大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F17/18;G06N3/0464;G06N3/08
• 代理公司: 重慶市前沿專利事務所(普通合伙) 50211
• 代理人: 郭云

1.基于深度學習和邊緣計算的工業(yè)互聯(lián)網(wǎng)系統(tǒng)，其特征在于，包括云單元、邊緣單元組以及感知單元組；所述云單元與邊緣單元組進行無線/有線連接，邊緣單元組與感知單元組進行無線/有線連接；

云單元，使用分段算法對深度學習模型進行分段，然后按分段訓練深度學習子模型，并將訓練完成的深度學習子模型按分段部署至邊緣單元組；

深度學習子模型的部署方法為：

S1-1：添加邊緣單元時，邊緣單元將對應的型號及IP地址發(fā)送至云單元，云單元在緩存中查詢此型號是否已添加過；若此型號已添加過，則在云單元的緩存中存入此型號關聯(lián)的IP地址；若此型號未添加過，則云單元使用線性回歸法生成回歸模型，分析該邊緣單元的運行時間；

S1-2：云單元遍歷緩存中邊緣單元的IP地址與部署狀態(tài)，如果部署狀態(tài)為已部署，則跳過此邊緣單元，繼續(xù)遍歷，直至查詢到部署狀態(tài)為未部署的邊緣單元；將此邊緣單元的狀態(tài)更新為正在部署，并使用回歸模型計算邊緣單元中的總運行時間；如果總運行時間小于或等于工業(yè)生產(chǎn)規(guī)定的時間，則將第一深度學習子模型部署至此邊緣單元中作為第一邊緣單元，進入步驟S1-3；如果總運行時間大于工業(yè)生產(chǎn)規(guī)定的時間，則判斷不能將第一深度學習子模型部署至此邊緣單元中，將此邊緣單元的部署狀態(tài)重置為未部署后，繼續(xù)遍歷緩存中邊緣單元；

S1-3：重復步驟S1-2，將第二深度學習子模型部署到相對應的邊緣單元中，作為第二邊緣單元，進入步驟S1-4；

S1-4：重復步驟S1-3，將第三深度學習子模型部署到相對應的邊緣單元中，作為第三邊緣單元，部署完成；

邊緣單元組，用于進行工業(yè)數(shù)據(jù)的實時分析；

感知單元組，用于采集工業(yè)數(shù)據(jù)并上傳到所述邊緣單元組。

2.如權利要求1所述的基于深度學習和邊緣計算的工業(yè)互聯(lián)網(wǎng)系統(tǒng)，其特征在于，所述邊緣單元組包括多個邊緣單元，所述邊緣單元為網(wǎng)關或邊緣服務器，用于進行工業(yè)數(shù)據(jù)的實時分析。

3.如權利要求1所述的基于深度學習和邊緣計算的工業(yè)互聯(lián)網(wǎng)系統(tǒng)，其特征在于，所述感知單元組包括多個感知單元，所述感知單元為傳感設備、生產(chǎn)設備、制造設備中的一種或多種，用于采集工業(yè)數(shù)據(jù)并上傳到所述邊緣單元組。

4.基于權利要求1-3任一所述系統(tǒng)的深度學習和邊緣計算的工業(yè)互聯(lián)網(wǎng)工作方法，其特征在于，具體包括以下步驟：

S1：云單元采用分段算法將深度學習模型分成多個深度學習子模型并進行訓練，再將訓練完成的深度學習子模型分別部署到相對應的邊緣單元；

深度學習子模型的部署方法為：

S1-1：添加邊緣單元時，邊緣單元將對應的型號及IP地址發(fā)送至云單元，云單元在緩存中查詢此型號是否已添加過；若此型號已添加過，則在云單元的緩存中存入此型號關聯(lián)的IP地址；若此型號未添加過，則云單元使用線性回歸法生成回歸模型，分析該邊緣單元的運行時間；

S1-2：云單元遍歷緩存中邊緣單元的IP地址與部署狀態(tài)，如果部署狀態(tài)為已部署，則跳過此邊緣單元，繼續(xù)遍歷，直至查詢到部署狀態(tài)為未部署的邊緣單元；將此邊緣單元的狀態(tài)更新為正在部署，并使用回歸模型計算邊緣單元中的總運行時間；如果總運行時間小于或等于工業(yè)生產(chǎn)規(guī)定的時間，則將第一深度學習子模型部署至此邊緣單元中作為第一邊緣單元，進入步驟S1-3；如果總運行時間大于工業(yè)生產(chǎn)規(guī)定的時間，則判斷不能將第一深度學習子模型部署至此邊緣單元中，將此邊緣單元的部署狀態(tài)重置為未部署后，繼續(xù)遍歷緩存中邊緣單元；

S1-3：重復步驟S1-2，將第二深度學習子模型部署到相對應的邊緣單元中，作為第二邊緣單元，進入步驟S1-4；

S1-4：重復步驟S1-3，將第三深度學習子模型部署到相對應的邊緣單元中，作為第三邊緣單元，部署完成；

S2：感知單元組采集汽車零部件圖像，并上傳到邊緣單元組，邊緣單元依次進行計算分析，檢測汽車零部件的缺陷類別；

S3：當?shù)趖個邊緣單元計算得到缺陷類別后，將缺陷類別回傳到感知單元組，同時第t個邊緣單元之后的邊緣單元停止工作。