工业互联网的背景下,随着制造和生产过程的集成数字化,工业环境伴随着越来越多的数据。而数据普遍具有价值,人工智能与深度学习的方法分别为机器学习数据开发提供了巨大的优化潜力,如提高效率、灵活性和生产过程的个性化。通过状态监测、异常检测以及预防性维护或改进,以数据驱动的过程建模,能够更快地识别任务状态,使工业生产模式自主性得到增长。这提供了生产设备的预测性维护,并改善了工业过程的监控模式。在边缘计算背景中,因为带宽资源的不足和网络自身的不稳定性,基于深度神经网络模型的任务调度可能会有较高的延迟,从而影响用户的体验。并且,深度神经网络模型由于自身的复杂度和规模,对设备的存储能力和计算能力有一定的要求,不能直接部署在资源不足的设备端。所以,基于深度神经网络模型的应用如何满足用户对低延迟、高精度和高性价比的需求,成为任务调度的核心问题。本文在故障分类任务上对基于注意力机制的SK模型进行了改良,提出了一种新模型SK-ECA,该模型不仅保留了SK模型多卷积核特征信息处理能力,还吸取了ECA快速一维卷积的特性,提升了原SK模型在故障分类任务的性能指标。基于SK-ECA模型的双池化特征融合实验,吸取了全局平均池化归纳全局信息的能力,也有全局最大池化突出重要特征的特点,进一步挖掘了模型的潜力,拓展成七种注意力机制模型。同时,针对故障分类任务,采用基于注意力机制的神经网络模型,将边缘设备的便捷性和边缘节点的计算能力相结合,在边缘计算任务调度问题上展开了系列研究,提出了一种面向边缘设备的故障分类任务调度策略。该策略以协调边缘计算节点和设备端的方式,充分考虑了边缘节点出色的计算性能和移动设备的便捷性,兼顾用户需求和模型优势,完成注意力机制模型在边缘端和设备端的动态部署,并对分类任务进行按需调度,从而发挥深度注意力机制模型的优势,提升任务调度的效率,满足用户的需求。实验结果表明,选择的最佳调度模型在分类精度上比原SK模型提高了28%,平均召回率比原SK模型提高了26%,F分数比原SK模型提高了26%,推理时间比原SK模型降低了36%。