[發明專利]基于深度學習和邊緣計算的工業互聯網系統及工作方法

有效

• 申請號: 202010172045.2
• 申請日: 2020-03-12
• 公開（公告）號: CN111400040B
• 公開（公告）日: 2023-06-20
• 發明（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

本發明公開一種基于深度學習和邊緣計算的工業互聯網系統及工作方法，包括云單元、邊緣單元組以及感知單元組。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；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；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。本發明通過使用分段算法對復雜的深度學習模型進行了分段處理，使得計算能力較弱的邊緣單元也能運行深度學習模型，提高了計算效率；同時邊緣單元只需運行深度學習模型中的一部分，就可以提前得到檢測結果，縮短了檢測時間。

技術領域

本發明涉及數據處理技術領域，特別涉及一種基于深度學習和邊緣計算的工業互聯網系統及工作方法。

背景技術

隨著新一代信息通信技術的飛速發展，信息處理與人工智能等領域進入了新的研究階段，給全球工業產業帶來了革命性的影響，工業互聯網的概念應運而生。工業互聯網中工業智能化的發展成為全球關注重點與趨勢。

工業智能化是指工業領域中由計算機實現的智能，具有自感知、自學習、自執行、自決策、自適應等特征，能不斷豐富和迭代自己的分析與決策能力，以適應變幻不定的工業環境，并完成多樣化的工業任務，最終達到提升企業洞察力，提高生產效率或設備產品性能的目的。

深度學習作為當前工業智能化的核心技術之一，以工業大數據系統的工業數據為基礎，依托硬件基礎能力和訓練、推理運行框架，完成工業數據建模和分析，從而實現各類創新的工業智能應用，如產品質量檢測、設備健康管理、能耗控制等。

目前大多數的工業互聯網系統都是在云計算平臺上運行深度學習模型，然而云計算平臺通常距離車間、生產線很遠，網絡傳輸延時很高，無法滿足工業生產對實時性的要求，無法實現車間級、生產線級的智能化。并且隨著工業互聯網的不斷發展，云計算將難以實時處理數量激增的工業數據。

也有部分工業互聯網系統使用邊緣計算來進行簡單的工業數據處理工作，然而邊緣計算中單個計算節點的處理能力較弱，無法在規定時間內完成復雜的深度學習運算，從而無法實時對工業設備進行控制。

發明內容

針對現有技術中工業互聯網無法實時計算工業數據的問題，本發明提出一種基于深度學習和邊緣計算的工業互聯網系統及工作方法,通過設置云單元來對深度學習模型進行分段訓練,再將訓練完成的深度學習模型按分段部署至邊緣單元相對應的網關或邊緣服務器中,邊緣單元負責運行云單元部署的深度學習模型，并使用提前預測算法，對感知單元上傳的工業數據進行分析預測，并將預測的結果返回至感知單元，感知單元再根據結果采取相應的行動；這樣提高了整個系統的運算速度,做到對工業數據的實時計算和分析,提高了工作效率。

為了實現上述目的，本發明提供以下技術方案：

基于深度學習和邊緣計算的工業互聯網系統，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。

優選的，所述邊緣單元組包括多個邊緣單元，所述邊緣單元為網關或邊緣服務器，用于進行工業數據的實時分析。

優選的，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、生產設備、制造設備中的一種或多種，用于采集工業數據并上傳到所述邊緣單元組。

本發明還提供一種基于深度學習和邊緣計算的工業互聯網工作方法，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；

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；