边缘计算对工业互联网产业发展的重要意义及研究现状

工业互联网是新一代网络信息技术与制造业深度融合的产物,是经济转型升级的关键依托和重要途径.边缘计算是支持工业互联网的关键技术.本文首先说明了边缘计算在工业互联网产业发展过程中的重要意义,然后分别从边缘计算的发展历程、边缘端智能化方法和边缘计算平台三方面介绍了工业互联网边缘计算近年来的研究现状,最后指明了工业互联网边缘计...     

边缘计算使能下的工业互联网平台发展趋势及关键技术

工业互联网平台是新一代信息通信网络技术与工业经济深度融合的关键基础设施,通过对人、机、物的全面联接,构建覆盖全生产链、产业链、价值链的制造和服务体系,现阶段采取以云平台为基础,其上叠加制造能力开放、知识经验复用等功能的模式进行部署.然而,网联设备的急剧增加以及数据分散性、碎片化的特征导致以云为核心的平台模式处理能力捉襟...     

工业互联网智能制造边缘计算 模型与验证方法

智能制造是先进制造过程、系统与模式的总称,边缘计算是横跨通信、计算机、自动控制等多领域的综合性技术,可以满足智能制造在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。文章首先介绍了工业互联网智能制造的基本状况,其次介绍了边缘计算的发展现状,之后详细描述了工业互联网智能制造边缘计算模型,最后给出了工业互联网智能制造边缘计算模型的测试方法。     

一种基于区域动态轮廓的交互式目标分割算法

研究了以用户与系统之间的交互信息为先验知识的目标分割算法,提出一种基于区域动态轮廓的交互式目标分割算法.采用基于区域动态轮廓的CV模型及形状先验引导进化思想,并引入了基于滤波后图像梯度和Laplace的分段自适应加权算法.为了克服由于对先验差值区域加权而产生的目标轮廓萎缩问题,对所构建的进化模型引入了面积激励项.实验结果表明:算法无需基于精确先验知识训练而获得的先验知识模型,用户仅需要选择待分割目标的大致区域,算法即可对该区域进行分割,在选用的灰度图像级上,完成分割所需要的迭代次数仅为基本CV模型的26.4%.     

面向离散制造业的深度学习无代码开发平台

深度学习技术在现代离散制造业中有很多应用场景,是支撑离散制造业由数字化、网络化阶段向智能化转型的关键技术之一。对离散制造业的从业者而言,使用传统开发方式,应用深度学习技术解决生产场景中问题的学习成本很高,需要从业者同时具备较深的开发能力和深度学习知识背景。为了尽可能地降低离散制造业从业人员进行深度学习功能开发的成本,在对离散制造业的特性、深度学习在离散制造业的应用情况和人工智能开发模式进行充分了解之后,提出了适用于离散制造业的深度学习无代码开发平台的构建方案,并进行了实现,最后应用企业级的项目进行了应用效果对比,证明了该开发平台的优异性能。     

集群系统中的动态反馈负载均衡策略

针对Web服务器集群系统中负载动态变化的特点,为了高效地实现任务均衡分配,提出一种新的负载均衡算法。该算法结合动态反馈原理,周期地根据服务器节点真实负载的状态变化情况,改变其相应节点的权值,避免服务器间的负载失衡。实验表明,该方法能有效降低系统平均服务延迟时间和提高吞吐量,提升集群系统的整体性能。     

一种新的连通区域标记算法*

为了进一步提高标记效率,提出了一种连通区域标记的新算法RCL（run and contour based labeling algorithm）。该算法采用轮廓跟踪技术、行程技术和位操作等一系列加速技术,彻底消除了传统算法标记过程中对邻居像素信息的依赖。实验表明RCL算法的执行效率与传统的轮廓跟踪法相比提高了约80%,而且表现出稳定的性能和非常好的鲁棒性。     

基于VMD和改进的FastICA算法的旋转机械故障信号分离方法研究

针对分离出的旋转机械故障信号的非线性非平稳性问题,本文提出一种对旋转机械故障信号分离的方法.首先针对以往利用EMD方法分解的特征信号存在的模态混叠问题,利用VMD方法完成对旋转机械故障特征信号的分解.其次,选取相应的分解后特征信号构成观测序列,利用FastICA算法对观测序列进行分离得到源信号,最后针对FastICA算...     

基于梯度的深度网络剪枝算法

深度神经网络模型通常存在大量冗余的权重参数,计算深度网络模型需要占用大量的计算资源和存储空间,导致深度网络模型难以部署在一些边缘设备和嵌入式设备上。针对这一问题,提出了一种基于梯度的深度网络剪枝(GDP)算法。GDP算法核心思想是以梯度作为评判权值重要性的依据。首先,通过自适应的方法找出阈值进行权值参数的筛选;然后,剔除那些小于阈值的梯度所对应的权值;最后,重新训练剪枝后的深度网络模型来恢复网络精度。实验结果表明:在CIFAR-10数据集上,GDP算法在精度仅下降0.14个百分点的情况下,计算量减少了35.3个百分点;与当前流行的PFEC算法相比,GDP算法使网络模型精度提高了0.13个百分点,计算量下降了1.1个百分点,具有更优越的深度网络压缩与加速性能。