基于边缘计算的工业应用:自动导引小车控制系统

目前大多数自动导引车控制系统使用云计算框架,实时性差。云端与自动导引小车之间有较大的网络延迟,这使得自动导引小车中如避障、路径规划以及障碍物识别等高实时性任务不能得到及时响应。由此提出一种基于边缘计算的自动导引小车控制系统,具有云服务层、边缘层和设备层3层架构。实时性高的计算任务部署在边缘节点,靠近自动导引小车,计算发生在数据生产者附近,可以减少任务处理延迟时间,提高实时性。实验证明,在执行相同任务时,基于边缘计算的控制系统比基于云计算的控制系统减少46.4%～58.8%的计算延时。     

改进TD3的SDN车联网边缘计算卸载策略

针对车联网场景下计算任务卸载至远端云中造成的延迟波动和能耗增加问题,搭建了融合软件定义网络和移动边缘计算的车联网系统模型。为了最小化车联网中计算卸载的时延和能耗,设计了一种基于深度强化学习的动态计算卸载策略。该策略从计算任务的能耗和时延这两个维度进行建模,并提出在传统的双延迟深度确定性策略梯度的基础上加入Softmax和优先经验回放的改进算法(SP-TD3)。仿真实验结果表明,设计的计算卸载策略在不同车辆数下对于能耗和时延有较为优越的性能。     

基于5G边缘计算的工业数据采集方案

随着制造业的转型升级以及新一代通信技术的不断发展,对于传统的工业数据采集方式也提出了新的挑战.工信部部长苗圩在国务院新闻发布会上谈及5G未来的应用场景时表示:未来5G应用场景的80％会在工业互联网,5G与工业互联网在行业专网、边缘计算、网络切片等方向将深度融合.因此,利用5G的高带宽、广连接、低时延特性,以及5G边缘计...     

区块链和边缘计算赋能的联邦学习故障诊断框架

工业物联网助推机械故障诊断步入大数据时代,然而因各节点需要共享本地的私有数据而造成隐私泄露是当前工业物联网亟需解决的问题。联邦学习有望应用于工业物联网以实现在私有数据不离开本地存储的前提下,协同各节点训练诊断模型。然而,联邦学习面临着以下诸多挑战。首先,联邦学习的中心化架构极易引发单点故障。其次,工业物联网中各节点的故障数据通常是非独立同分布的,以致联邦学习难以收敛。再次,联邦学习缺乏防御手段来阻止恶意节点的攻击。最后,联邦学习需要激励机制来鼓励节点分享资源。针对这些挑战,提出了一种区块链和边缘计算赋能的联邦学习故障诊断框架,采用去中心化的模式保障工业物联网中机械设备故障数据的隐私和安全。在此框架中,构造了一种特征对比损失函数来解决非独立同分布问题,设计了一种拜占庭容错的评分机制来抵抗投毒攻击,并开发了一种基于信誉的激励算法来评估应给予节点的奖励。所提方法被应用于工业物联网中风力发电机的行星齿轮箱故障诊断模拟场景,在私有本地数据不泄露的前提下,展现出最优的综合性能。     

工业物联网的工业边缘云部署算法

针对动态调整不同区域的生产线时,因工业边缘云资源有限,覆盖生产线的工业边缘云部署不合理而造成实时性运维服务质量下降和企业成本增加等问题,采用带约束的多目标优化和带约束的最小子集划分思想讨论工业边缘云部署问题,提出一种启发式遗传算法。基于问题的特点,该算法采用二进制编码,降低了算法实现的难度;采用多轮随机不重复解策略筛选多样化的可行解作为初始种群,提高了搜索速度和搜优概率;根据混合选择法有目的地选择较优个体和较差个体,从而保持种群多样性;采用多轮多维度多点交叉法实现个体间较优与较优、较优与较差、较差与较差的深度交叉,维持了种群多样性,并探索了新区域;利用较优个体优先单点变异策略,对交叉操作产生的较优新个体所在区域优先进行局部深挖,在深挖过程中不断调整深挖方向,从而拓展种群多样性,提升全局搜索能力。实验从期望负载偏差率、期望服务延时偏差率、算法收敛率及解误差率4方面验证了算法的有效性、收敛性和全局搜索能力。     

基于边缘计算的火力发电厂振动专家系统研究与应用

在火力发电厂侧建立边缘计算工作站,应用边缘计算技术,建立一个以火力发电厂为计算和应用主体的分布式数据开发应用平台;深入挖掘应用需求,为电厂提供快速响应的最近端的数据应用服务,实现电厂振动数据的准确、快捷、高效管理,对推动电厂的智慧化建设具有一定的借鉴意义。     

基于PLCNET云网关和IOT边缘计算的自动气象站运行监控平台设计

为了更好地完成自动气象站站点运行监控任务,文章基于支持边缘计算、串口数据透传、MQTT协议的PLCNET云网关,通过IOT云平台进行产品/场景、联网设备、组态设计、定时任务、报警参数等配置,设计了凉山州自动气象站运行监控平台,实现实时监控各站点采集器运行状态、电源电压、RS232/RS485终端通信状态等信息,进一步提升凉山州自动气象站运行监控能力和集约化管理水平。     

基于边缘计算的分布式配电故障处理探析

首先分析了基于边缘计算的分布式智能配电线路故障区段定位技术,就边缘计算在具体的线路故障定位中的应用进行了简单介绍,然后阐述了基于边缘计算的分布式配电线路故障检测技术,最后提出了基于边缘计算的配电线路故障处理措施,为提高供电安全性和可靠性提供技术支持。     

基于区块链边缘计算的云端数据验证方法

提出了一个3层的物联网边缘计算的区块链云架构以及基于区块链技术的分布式云服务模型,构建了低成本、安全、按需访问的IoT智能计算基础框架。边缘计算节点使用SDN控制器,将计算资源边缘化,降低网络中的数据流量,并在物联网设备之间实现最小的端到端延迟和最优的计算资源利用。同时,提出了此架构下的云端数据保护机制,使用移动代理技术将分布式虚拟机代理模型部署在云中,让多租户相互协作以确保数据的完整性验证。虚拟机代理模型与默克尔哈希树生成文件相对应的唯一哈希值,通过区块链上的智能合约来实时监视数据变化,遇异常时向用户发出数据篡改警告消息,并用“质询-响应”模式构建云数据完整性验证方案。最后,在某电网公司的数字化基建(BIM)环境下部署了所提的区块链分布式云架构,通过实验分析了延迟、客户端响应时间和文件操作性能。实验结果表明,与集中云架构比较起来,所提方法具有更快的响应时间、更高的吞吐量和更小的文件操作开销。     

边缘计算在刀具磨损状况检测中的应用

边缘计算是一种新的分布式计算范式,它将数据存储、服务及计算从集中的节点拓展到用户终端附近,自首次提出以来得到了迅速发展,到目前为止,边缘计算技术已经在众多领域得到广泛应用。针对边缘计算在刀具磨损状况检测中的应用进行了分析,阐述了边缘计算技术的发展历史及研究现状,分三部分总结了边缘计算在刀具磨损状况检测中的应用,研究了刀具磨损状况检测中的边缘计算架构,并对未来边缘计算在该领域的应用进行了展望。     

云雾协同的泛在电力物联网构架在变电站工程的应用

当前,电力物联网设计正向网络智能阶段发展.根据雾计算更靠近终端的思路,提出在变电站端接入点配备边缘雾计算设备,把大量就地采集的信息直接在本地接入点进行存储和处理,成为雾层.雾层服务器作为核心云平台的边缘下沉,协同计算,大幅提高实时分析与优化能力.结合目前泛在电力物联网建设和变电站控制系统特点,提出了具有云雾协调功能的电...     

边缘计算生成式对抗网络差分进化滚动轴承特征识别方法

滚动轴承是旋转机械系统中保障安全运行重要组成部分之一。开展滚动轴承特征识别具有重要理论实际应用价值。通常采用的深度学习滚动轴承特征识别方法,需要有监督标记数据或无监督故障数据参与训练,标签和故障数据不易获取,无法满足滚动轴承特征识别需求。本文提出了一种边缘计算生成式对抗网络差分进化滚动轴承特征识别EC-DE法。该方法训练过程采用健康数据训练生成式对抗网络,通过学习健康数据分布规律进行滚动轴承健康特征识别。边缘端对比输入样本与生成式对抗网络生成样本差异性进行识别,根据输入样本健康置信度提前退出,提高系统实时性;云端采用差分进化算法搜索生成式对抗网络生成器输入潜空间,获得输入样本对应生成器输入潜变量,提高识别精度。本文方法在CWRU滚动轴承公共数据集上的识别正确率达99.8%且对超参数不敏感,推理阶段耗时降低,具有实际生产应用价值。     

移动边缘计算环境下基于信任模型的可靠多重计算卸载策略

移动边缘计算环境下的计算卸载技术有助于解决移动终端在资源存储、计算性能等方面的不足。然而,在拥有大量计算资源的移动边缘计算环境中,边缘服务器、移动终端以及网络通信链路的不可靠性不可避免,而应用任务的执行失败对工作流任务调度将造成极大的影响。针对上述问题,首先借鉴社会学中的人际关系模型,同时考虑移动边缘计算环境下应用任务执行的特点,利用Bayes方法对移动终端、边缘服务器和云服务器的可信度分别进行评估,构建了移动边缘计算环境下各类计算资源之间的信任关系模型。其次,结合信任模型和基于多重计算卸载策略的时间开销计算方法,设计了评价计算卸载策略可靠性以及时间开销的适应度计算方法,提出了基于信任模型的可卸载边缘服务器选择算法。最后,结合工作流管理系统提出了移动边缘计算环境下基于信任模型的可靠多重计算卸载策略。通过仿真实验,证明了所提出的基于信任模型的可靠多重计算卸载策略算法能够以较小的时间开销为代价,有效提升应用任务的执行成功率。     

基于城市计算的分布式异常数据分级过滤算法

现代城市中,传感器设备无时无刻地收集和释放着各式各样的城市数据,而这些数据可能会因环境干扰、设备故障或人为篡改而变得异常.针对城市数据会面临数据异常的问题,定义了一套适用于异构数据的提取协议,并基于提取协议设计了一种基于高斯隶属度的分布式异常数据分级过滤算法.最后通过仿真实验验证了该算法能够准确过滤异常数据,从而提高城...     

移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略

深度神经网络因其强大的数据分析功能而被广泛使用在移动智能应用中,然而其计算任务的复杂性给计算能力与电池容量均有限的终端设备带来了巨大的挑战。若将深度神经网络中的计算任务完全卸载到云端,则会产生较高数据传输时延。移动边缘计算因其低时延、分布式、位置感知的优势能有效解决深度神经网络的时延和能耗问题。为了在保证用户时间约束的同时,充分优化终端设备能耗,建立了移动边缘计算环境中深度神经网络计算任务卸载的时间和能耗评价模型,基于该模型提出了移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略。该策略以神经网络层为单位,将深度神经网络中的计算任务进行拆分,在计算任务卸载时,对移动边缘计算环境中多重计算资源进行综合考虑。最后,提出了移动边缘环境中基于多重资源任务卸载的粒子群调度算法,该算法能在满足时间约束的同时,充分优化终端设备能耗。实验表明,与已有的3种任务卸载策略相比,新策略对应的粒子群调度算法所得适应度值最优,满足时间约束下,终端设备的能耗值最低。     

车载边缘计算中推理任务的实时调度策略

为了给存在依赖关系的车载任务提供合理的实时调度方案,以使移动边缘计算通过将车载任务调度到边缘节点处理来有效减少执行时间,设计了一种车载边缘计算中推理任务实时调度策略。将自动驾驶应用的推理过程抽象为基于有向无环图的推理任务模型;利用任务优先级评价方法界定推理任务执行顺序,继而基于深度Q学习算法为推理任务选择合适的资源节点,根据资源分配结果执行相应的推理任务。实验结果表明,该调度策略能够有效减少推理任务处理时延,且收敛性与实时响应速度更佳。     

云计算与边缘计算协同发展的相关探讨

边缘计算跟云计算的协同发展是未来重要的发展趋势,但是当前云边协同还处在发展的初级阶段,有关从业者需要加快有关标准的构建,促进企业云边协同服务能力的提升,为云边协同的稳定发展提供助力。本文对有关概念进行阐述,重点对边云协同在各个场景下的应用需求和业务模式进行分析,以期为有关标准的制定和产业的发展奠定基础。     

基于边缘计算的采煤机械智能控制系统设计与实现

本文以我国煤炭行业为背景,针对采煤机械故障预测与维护管理问题,提出了一种基于边缘计算的采煤机械智能化控制系统。该系统通过实时监测和预测采煤机械的运行状态,实现了故障的早期预警和预防性维护,降低了故障发生概率。研究结果表明,该系统具有较高的预测准确率和实际应用价值,为煤矿企业提供了科学的决策依据。     

基于联邦学习的边缘智能协同计算与隐私保护方法

联邦学习中,终端将更新后的模型参数值,而不是原始数据传递至服务器,从而成为保障边缘计算中数据隐私安全的关键技术.因此,提出了基于联邦学习的边缘计算方法(FLBEC),在保护用户隐私的同时,减少终端参与联邦学习的开销.首先设计了基于联邦学习的边缘计算系统架构,提出了隐私保护机制.分析了终端参与联邦学习时间和能耗,提出了研究的目标,即保护边缘计算中用户隐私,同时在保证精度的前提下,减少联邦学习时间和能耗.然后,从参与者选择、本地更新和全局聚合3个方面提出了改进后的联邦学习算法.最后通过对比实验验证了在FLBEC算法中,绝大多数终端在达到目标精度的前提下可以大幅度地降低联邦学习时间和能耗,从而减少联邦学习开销,表明了FLBEC算法的优越性.