基于面向对象的故障预测推理系统设计

针对故障预测中数据量大,功能结构复杂等现象,设计了一个故障预测推理系统;该系统采用面向对象技术的模块化思想,分析了航空综合数据采集器工作机理,将传统的知识库与推理机作为一个整体进行研究,运用多线程并行处理流程,建立了基于面向对象技术的故障预测推理系统模型;该系统具有较好的可修改性和可扩展性,鲁棒性强,响应速度快等特点。     

基于人工智能的边缘计算系统设计与实现

为实现边缘计算系统高效性和智能化,本研究集成人工智能算法提出边缘计算系统设计。结果表明,在边缘计算系统中集成卷积神经网络等人工智能算法,能够显著提升系统数据处理效率和智能决策支持能力。这一方法为边缘计算系统的设计和实现提供了有力的技术支持,有望在各种应用场景中发挥关键作用。     

基于边缘计算的人脸识别视频传输系统设计

随着计算机视觉和模式识别领域的应用升级需要，动态人脸识别技术也得到了飞速发展[1]。目前视频监控领域中的人脸识别处理方法多只在设备前端做简单的识别和跟踪，大量复杂运算，包括人脸特征值的比对和大数据的处理部分都在服务端完成。对于视频监控的使用方，该方法无法在监控端实时显示人脸的识别和比对结果。针对这种需求，本文提出了一种基于边缘计算的人脸识别视频传输方案，实现视频传输的采集端和播放端对视频中人脸识别效果的同步。该方案中，终端设备的视频处理模组对视频数据同时进行视频编码和人脸识别，根据终端人脸库，提取分析人脸识别结果并记录视频中的坐标信息，并采用同步封包机制将两者融合，从而获得同时具有编码数据和人脸信息的视频数据包。通过验证系统试验证明，该方案可解决视频直播中的人脸框显示和跟踪的同步问题，并且有较高的准确性和实时性。     

基于边缘计算的作物病虫害监测嵌入式系统设计

现有农作物监测大多采用大面积、分布式的设备来完成.不仅维护成本高昂,难管理,而且对于许多中小型农户是无法从智慧农业中受惠.综合考虑各区域种植条件的不同,设计提出一种基于边缘计算的轻量化嵌入式监测系统,通过搭建神经网络,配合作物数据处理算法并部署在嵌入式设备上,与无人机协同完成对作物的检测.经过实验验证,该系统具有低功耗、轻量化、低成本、检测范围广的优势,病虫害模型精度在92％及以上,能有效解决国内外农作物病虫害及生长环境参数的精细化监测问题.     

基于边缘计算的新型数据处理系统

分析现有云计算模型所存在的问题，即实时性、隐私保护、能耗等方面的问题。然后探讨边缘计算模型的概念以及其相对于云计算模型的优势，提出新型数据处理系统的系统架构，设计实现数据处理系统的运行及调度策略,结合具体实例,验证所实现的功能。最后，对基于边缘计算的新型数据处理系统的应用前景及改进方向进行讨论。     

基于混合随机边缘计算的工控入侵检测系统设计

针对传统工控入侵检测系统缺少对边缘入侵信号段的研究,无法及时检测到边缘入侵行为,导致系统入侵潜伏期过长、威胁工控系统网络安全的问题,提出了基于混合随机边缘计算的工控入侵检测系统设计;使用中央服务器处理并发送告警信息,形成统一的告警日志;选择JY211-QTQ-04型号光缆探测器,实时显示信号强度;通过高速网络I/O架构Netmap网络流量采集器采集流量信息,再由TCP/IP协议下的数据预处理器处理数据,利用入侵检测引擎检测入侵行为;构建入侵检测动态模型,结合混合随机边缘算法,确定待检测段的最高能量和信噪比,通过检测到的入侵信号段,判断入侵行为;由实验结果可知,该系统在异常入侵情况下,能够及时发现入侵行为,在入侵时间为7 s时,潜伏期达到最长为2.4 s,与实际入侵后潜伏期变化一致,能够精准检测工控入侵行为。     

基于边缘计算的电机故障智能监测系统

边缘计算技术为计算密集型业务提供了一种新型的低时耗、低能耗、数据安全、实时性高的数据处理方案。在面对数量庞大的电机故障信息时,边缘计算能有效解决电机故障数据处理花费高、数据泄露、实时性差等问题。根据数据源分布特点,充分考虑边缘服务器(Edge Server,ES)、云服务器计算负载以及任务传输时耗,设计了基于端边协同的多边缘服务器并行任务处理框架。在此框架下对最短时耗及最低能耗进行了研究分析,充分优化任务执行时间以及能耗表现。     

基于边缘计算的工业数据采集

文章提出基于边缘计算采集工业生产数据的方法:通过采用蜂窝网络对生产装备进行网络化改造;通过边缘网关对采集到的生产数据进行解析、封装和本地处理;通过边缘云对数据进行分流,即将时延敏感数据和原始数据保存在边缘云上,将非时间敏感数据(如历史数据等)存储在中心云上。     

基于边缘计算的多维感知智能物联网系统设计

本设计选取ATmega328 MCU循环调用多个传感器实现多维感知;以ARM架构处理器为核心搭建Web服务器,设计数据处理与控制模块;利用WiFi与有线网实现数据的传输与外部终端访问.实测结果表明,该系统实现了对系统周围多维物理量的感知测量,具有长时间稳定运行能力,物联网数据传输时延低.     

故障场景下的边缘计算DAG任务重调度方法

边缘计算将计算和存储资源部署在靠近数据源的网络边缘,并高效调度用户卸载的任务,从而极大地提升了用户的服务体验(Quality of Experience,QoE).但是,边缘计算缺乏可靠的基础设施保护,服务器节点或通信链路的突发故障可能会导致服务失败.为此,建立了边缘计算中的计算节点和通信链路故障模型,并针对依赖型用户任务的调度,提出了资源故障场景下的任务重调度算法DaGTR(Dependency-aware Greedy Task Rescheduling).DaGTR包括两种子算法,即DaGTR-N和DaGTR-L,分别用于处理节点和链路故障事件.DaGTR能够感知任务的数据依赖关系,并基于贪心方法对所有受故障影响的用户任务进行重调度,以保证每个任务的成功执行.仿真结果显示,所提算法能够有效避免节点或链路故障导致的任务失败,提高了资源故障情况下任务的成功率.     

Data stream forecasting for system fault prediction

Competition among today’s industrial companies is very high. Therefore, system availability plays an important role and is a critical point for most companies. Detecting failures at an early stage or foreseeing them before they occur is crucial for machinery availability. Data analysis is the most common method for machine health condition monitoring. In this paper we propose a fault-detection system based on data stream prediction, data stream mining, and data stream management system (DSMS). Companies that are able to predict and avoid the occurrence of failures have an advantage over their competitors. The literature has shown that data prediction can also reduce the consumption of communication resources in distributed data stream processing.     

基于统计方法的舰炮对岸作战效能建模与仿真

研究舰炮作战效能优化建模问题,现代舰炮对岸支援作战任务强度高且时效性强,合理规划弹药携带量和适时确定打击目标需发射弹药数优化,影响实施任务完成的关键因素。针对传统的舰炮对岸作战规划和实施主要依据经验所固有的不确定性,为提高最佳匹配效能,减少盲目性,提出了一种统计方法的舰炮对岸作战效能评估仿真模型。模型根据舰炮对岸支援作战的形式和特点,在对真实的舰炮对岸作战过程进行必要和合理简化的基础上,考虑舰艇海上运动、环境和弹丸散布三个影响舰炮对岸射击误差的随机因素,用以确定上述优化关系,从而为制定高效的对岸火力支援作战方案提供参考,最大限度地发挥舰炮武器系统对岸作战效能。仿真证明了方法的有效性和实用性。     

Digital Twin-driven online anomaly detection for an automation system based on edge intelligence

Accurate anomaly detection is critical to the early detection of potential failures of industrial systems and proactive maintenance schedule management. There are some existing challenges to achieve efficient and reliable anomaly detection of an automation system: (1) transmitting large amounts of data collected from the system to data processing components; (2) applying both historical data and real-time data for anomaly detection. This paper proposes a novel Digital Twin-driven anomaly detection framework that enables real-time health monitoring of industrial systems and anomaly prediction. Our framework, adopting the visionary edge AI or edge intelligence (EI) philosophy, provides a feasible approach to ensuring high-performance anomaly detection via implementing Digital Twin technologies in a dynamic industrial edge/cloud network. Edge-based Digital Twin allows efficient data processing by providing computing and storage capabilities on edge devices. A proof-of-concept prototype is developed on a LiBr absorption chiller to demonstrate the framework and technologies' feasibility. The case study shows that the proposed method can detect anomalies at an early stage.     

基于EINSTein的现代海战仿真

为了真实体现现代海战，文章运用EINSTein工具对影响海战的多种因素进行了仿真研究。首先，论述了EINSTein的产生背景，简单介绍了EINSTein的主要功能与特点；然后。对影响现代海战的因素进行了分析；最后，运用EINSTein对现代海战中的一种样式——水面舰艇作战——进行了仿真。仿真主要分析了智能体感知范围、个性权重向量以及等因素对海战过程和结果的影响。结果表明，作战兵力必须科学运用自身的条件才能取得战斗的胜利。得出结论：EINSTein的设计思路及其工具本身，对我们仿真研究现代海战都具有重要的意义。     

Predictive maintenance decision-making for variable faults with non-equivalent costs of fault severities

Predictive Maintenance is crucial for production systems as it helps maintaining the reliability and availability of components/equipment as well as preventing unexpected shutdowns during production. Traditional maintenance strategies mostly focus on the predictive diagnosis of fault types and identical maintenance decisions would be delivered for the equipment with the same fault type. It often results in “over-maintenance” as the variable fault severities may require non-equivalent costs of maintenance resources. To tackle this problem, this paper aims at developing a fault prediction model firstly predicting fault severity and fault type simultaneously and subsequently providing distinguished maintenance strategy for variable faults accordingly, through which the abnormal faults of equipment can be effectively prevented, and machines can be efficiently and economically maintained based on the model suggested decisions. The main works in this study are 1) The fault features based on monitored vibration signals are extracted from multi-domains, and most significant features are selected by L1-Support Vector Machine (L1-SVM) together with variance filtering method; 2) A parallel fault prediction model based on Back propagation Neural Network and Long Short Term Memory Neural Network (BP-LSTM) is proposed, which is used to predict the fault type and fault degree simultaneously; 3) A Deep Q-Network (DQN)-based maintenance decision-making model is established for different fault types with various fault severities.     

基于线上线下关联推理的边缘节点热点预测

随着城市规模的实时数据处理和增强现实等一系列应用的广泛普及,亟待有效预测边缘计算机构下边缘节点的热点,从而为解决因分布、带宽、服务器性能带来的访问延迟问题提供解决方案.针对该问题,进行了一种边缘节点热点预测方法的研究,旨在根据用户活动相关的线上线下信息预测城市区域的边缘节点服务热点:根据城市各主要区域的线下人口流动量以及线上访问流量,采用卷积神经网络和长短期记忆网络提取相关特征,并由基于注意力机制进行线上特征和线下特征的关联推理,综合城市主要区域边缘节点的图嵌入表达预测各区域边缘节点的热点程度,从而为调配边缘节点资源提供依据.采用某南方城市移动用户数据集进行性能评估,与相关热点分析方法相比,该方法在预测准确性方面具有明显的优越性.     

基于虚拟样机的故障模糊预测系统设计研究

分析了现有装备诊断系统中存在的问题,建立了故障现象的预测模型,并由此设计了一种基于虚拟样机的故障模糊预测系统,并介绍了系统的总体结构和各模块的功能,最后阐述了预测系统知识库的建立方法及推理机制。     

基于HsMM的系统在线故障预报

针对故障预报中系统剩余寿命难以精确估计的问题,提出基于隐半马尔可夫模型(HsMM)的系统在线故障预报方法.首先重新设计HsMM模型结构,利用模糊c均值聚类(FCM)方法化连续取值的系统输入输出变量为有限集合内取值,简化了建模计算过程.在实现对故障检测的同时,利用模型的状态驻留参数估计系统的剩余寿命,从而实现系统的故障预报.利用连续搅拌反应釜(CSTR)模型进行仿真验证,在输入输出数据含有噪声的情况下,较准确地估计,系统的剩余寿命,从向表明了方法的有效性.     

Digital twin enhanced fault prediction for the autoclave with insufficient data

Since any faulty operations could directly affect the composite property, making early prognosis is particularly crucial for complex equipment. At present, data-driven approach has been typically used for fault prediction. However, for part of complex equipment, it is difficult to access reliable and sufficient data to train the fault prediction model. To address this issue, this paper takes autoclave as an example. A Digital Twin (DT) model containing multiple dimensions for the autoclave is firstly constructed and verified. Then the characteristics of autoclave under different conditions are analyzed and presented with specific parameters. The data in normal and faulty conditions are simulated by using the DT model. Both the simulated data and extracted historical data are applied to enhance fault prediction. A convolutional neural network for fault prediction will be trained with the generated data which matches the feature of the autoclave in faulty conditions. The effectiveness of the proposed method is verified through result analysis.     

基于Labwindows/CVI的数字电路板检测与故障诊断系统

为了实现对某型测试设备中数字电路板的快速准确检测,提高装备的维护保障能力,设计了一种基于Labwindows/CVI的数字电路板检测系统。该检测系统软件采用Labwindows/CVI作为开发平台,能够实现装备中的数字电路板的功能验证与故障诊断测试,能够满足内外场数字电路板卡快速检测和故障诊断的需要。实际应用表明,该系统具有检测准确、故障信息准确率高、稳定可靠、操作方便的特点,该系统的应用提高了装备的维修保障能力。