【摘 要】
:
随着工业物联网的全面发展,现代工业系统已呈现智能化的发展趋势。机电设备作为工业生产活动中重要组成部分,在智慧交通等领域应用广泛。高速公路机电设备内部结构复杂,运行环境恶劣等因素导致机电设备发生故障的可能性大幅提升。目前,高速公路机电设备的故障检测普遍采用传统的云计算模式,海量数据的远距离传输占用大量网络带宽,并存在高延迟现象。针对高速公路机电设备故障检测的实际应用场景,本文对基于边缘智能的机电设备
论文部分内容阅读
随着工业物联网的全面发展,现代工业系统已呈现智能化的发展趋势。机电设备作为工业生产活动中重要组成部分,在智慧交通等领域应用广泛。高速公路机电设备内部结构复杂,运行环境恶劣等因素导致机电设备发生故障的可能性大幅提升。目前,高速公路机电设备的故障检测普遍采用传统的云计算模式,海量数据的远距离传输占用大量网络带宽,并存在高延迟现象。针对高速公路机电设备故障检测的实际应用场景,本文对基于边缘智能的机电设备故障检测服务进行研究,本文主要研究内容如下:(1)为实现机电设备数据的故障检测,本文设计了基于边缘智能的机电设备故障检测服务平台。平台架构分为终端设备层、边缘节点层、云中心层,提供了数据采集、网络通信、数据存储、数据交互、边缘设备接入和故障检测等功能。(2)针对机电设备数据不平衡性、噪声性、多样性的特点,本文设计一种基于无监督学习的VAE-GRU的深度学习模型。无监督学习的故障检测方法无需标签样本,可减少大量人工成本,并解决监督学习因数据不平衡引发的过拟合问题。VAE模型不仅可以过滤机电设备数据中的噪声,而且可自动提取时序数据潜在特征。GRU模型具备预测功能,将GRU模型嵌入在VAE模型编码器和解码器之间可检测机电设备局部故障和周期性故障,将VAE-GRU模型应用于机电设备故障检测具有高准确率和高召回率的优势。(3)为解决云计算模式下故障检测服务高延时、高并发的问题,本文将边缘计算、云计算与故障检测进行融合,设计一种基于边缘智能的VAE-GRU故障检测模式。通过将机电设备故障检测任务进行分割,云中心和边缘节点之间通过协同的方式对机电设备进行故障检测,旨在解决边缘节点资源受限的问题,同时在数据源头附近提供通信、计算和存储资源,从而降低数据响应延迟和提高故障检测服务质量。(4)针对边缘环境的动态性,机电设备业务不断发生改变,基于边缘智能的VAEGRU故障检测模型进行持续学习,云中心计算机电设备数据维度相关性系数,并对VAE-GRU模型进行迭代训练,通过不断更新边缘节点模型库保障边缘故障检测精度。
其他文献
2020年初,新冠病毒爆发,受其影响在线课程成为学生上课的主要途径,在线教育带来极大便利的同时也产生了各种各样的问题,例如:学生反馈效果差,老师授课难度大,教学质量评估难等,为了解决这类问题,本文从课程评论出发获取评价对象的情感极性。通过对在线课程评论数据进行信息提取、情感分类和聚类分析,可以了解学习者对在线课程的观点和情感,从而对在线课程进行评估。在线课程评论数据的分析对于学习者选择课程、教学者
随着网络范围和规模的不断扩大,网络入侵的威胁比以往任何时候都要严峻。网络入侵检测系统是为了防止网络入侵而部署在计算机上的一种安全工具。由于攻击方法的日益复杂,新攻击不断出现,传统的入侵检测已无法满足检测要求,因此需要探索新的方法来检测网络中的入侵。近年来得益于深度学习的快速发展以及其在大数据分析、处理上的优势。本文以深度学习中的深度神经网络和卷积神经网络为基础,建立了一种能够自主学习的检测模型,该
计算机视觉已经在人工智能这个引领全球先进科技的领域中占有举足轻重的地位,目前研究者们在常规的图像增强、图像识别、目标检测等任务中已获得出色的研究成果。然而在我们日常的工作和生活场景中,仍有许多极端环境下的与图像相关的工作容易被忽视,譬如雨天、雾天、低照度、低分辨率等场景下的图像处理工作。针对其中的低照度场景,由于拍摄设备的曝光程度以及现实场景中的光线不充足等原因,通常会导致获取的图像亮度较低,并且
立德树人是高等教育的根本任务,在科学技术高速发展的今天如何利用先进的技术手段实现精准化思政教育成为现阶段的一个研究热点。对于学困生队伍(学业困难学生)的精准化帮扶是精准化思政教育的一个研究方向,而高校现有帮扶策略多以人工统计不及格科目、下达书面预警通知为主,或以简单关联算法实现对成绩的预测。本文在现有预警系统的基础上,对采用LSTM神经网络改进学业预警系统展开研究,具体工作如下:(1)针对学生行为
近年来,随着互联网的飞速发展,传统网络已经无法管控愈发复杂的网络结构和日益增加的数据流量。为适应网络的发展和进步,诞生了一种新型的网络架构,即软件定义网络(Software Defined Network,SDN)。这种网络架构将传统以太网中的控制层和数据层分离,由控制层实施集中控制。由于SDN能够提升网络的可编程性,实现网络流量的灵活控制,因此引起了学术界的广泛关注,其中一项重点研究课题是如何提
光子晶体光纤(Photonic Crystal Fibers,PCF)集成了光子晶体带隙调控光传播和光纤导光的两个特性,故广泛应用于新型光纤传感领域。其中,D型PCF的非圆对称结构能增强纤芯模式与样品的耦合作用,提升传感性能;其平整的侧抛光结构不仅易于样品填充,还易于结构镀膜。当D型PCF与表面等离子体共振(Surface Plasmon Resonance,SPR)技术结合时,其结构优势解决了P
在人与人的交往方式中,表情是传递人类情感信息与意图的重要方式,通过表情识别技术可以有助于计算机像人类一样观察、理解和提供相应的反馈。目前表情识别技术面临两个难题:一方面无论是基于几何特征还是纹理特征的特征提取算法都存在对皱纹、凸起、凹陷等细微面部变化不敏感;另一方面现有的算法无法解决实际生活中采集到的图片光照分布不均匀、噪声干扰等问题。针对上述的问题,本文分别设计了可变形卷积网络的面部动作单元识别
形式化方法是指依赖严格的数学基础对软、硬件系统进行形式规约、开发和验证的技术。形式规约作为形式化方法的基础,通过形式语言严格描述所开发系统的模型和其需要满足的性质,包括模型规约和性质规约。而性质规约分为线性时间规约和分支时间规约,安全性和活性作为这两种性质规约中的基础属性,已经得到了广泛的研究。安全性断言系统运行时“坏”的事情不会发生,而活性断言系统运行时“好”的事情最终会发生。安全性和活性的验证
5G(The fifth generation mobile communication,第五代移动通信)网络于2019年6月在国内正式商用,5G网络有三大特点分别是高速度、低延时和广连接,其中移动边缘计算(Mobile Edge Computing,MEC)是其中的一项关键技术,其能满足用户在低时延、低能耗、隐私安全等方面的需求。但是目前MEC服务器是部署在固定地点的,当其他区域有需求时无法快速
信息抽取是自然语言处理中的重要分支,目的是从非结构化或半结构化的文本中抽取出结构化数据,其最关键的子任务之一是关系抽取。然而以往的传统方法在处理复杂的文本结构时并不能达到良好的效果,往往无法处理其中的关系重叠问题以及抽取过程中产生的噪声信息。本文基于深度学习方法,围绕面向复杂文本结构的关系抽取研究,提出了针对传统流水线方法和联合学习框架的两种优化方案。论文的主要研究工作和创新内容如下:(1)设计了