基于云边协同的通用板级自动测试系统方案设计

针对当前数字电路自动测试领域,对通用板级自动测试系统进行了设计,完成了系统方案的设计开发和测试验证。为了解决通用板级自动测试系统的测试数据量大、本地存储容量不足、测试向量与被测试目标无法自动化匹配、无法进行批量快速测试等问题,采用云边协同架构设计了通用板级自动测试系统,避免了大量数据传输和数据集中式处理,使得云端计算资源能够集中解决关键数据处理任务。为了提高板级测试平台的通用性,使平台适配不同接口的电路板,同时具有高速网络数据处理能力,系统选用精简命令集处理器和现场可编程门阵列(Advanced RISC machines,Filed programmable gate array,ARM+FPGA)的异构计算平台作为边缘设备。为了提高系统的测试效率,采用模块化的设计思想,系统硬件测试平台设计了多总线分布式结构。系统采用扇出导向(Fan-out-oriented,FAN)算法生成测试向量,并基于浏览器/服务器(Brower/Server,B/S)架构设计了用户操作界面,用户可通过浏览器进行测试操作,完成板级自动故障测试,并自动生成故障诊断报告。实验结果表明,对两个待测板卡进行测试验证,通用板级自动测试系统可以自动识别目标板卡,自动匹配测试向量,进行自动测试,生成测试报表。基于云边协同的通用板级自动测试系统提高了测试效率,满足数字电路板卡出厂前批量测试的需求,具有实际应用价值。

面向多元可控负荷调控的云边协同负荷资源分配策略

针对多元可控负荷资源进行可控负荷管理时需要占用大量计算资源,且无法实现自动功率精准控制的问题,提出了一种面向多元可控负荷调控的云边协同负荷资源分配策略。首先,设计了云边协同调控架构,整合处理各种多元可控负荷资源数据;其次,考虑不同边缘节点计算任务的相似度,以所有计算任务的时间开销最小为优化目标,给出云端计算资源分配策略,合理分配计算资源;最后,通过基于自适应交叉—变异概率的遗传算法进行计算资源分配的求解。实验结果表明,所提算法在任务完成时间和执行成本上具有较为明显的优势,并且任务数量越多,计算资源越小时优势越明显,可以显著提升计算效率,降低计算耗时。

基于云边协同计算的多AGV导航与避障技术的研究

AGV(Automated Guided Vehicle)作为数字化工厂中主要的运输载体,其自主导航与避障是重要技术之一。由于其任务指派及导航算法复杂且计算量巨大,导致了加工车间的多AGV物流配送会产生延迟问题。为了提高AGV运输的效率,文章提出了基于云边协同计算技术的解决方案,利用人工智能和工业物联网技术,将AGV运输车辆、加工环境与工艺联系起来,中心云接受来自边缘云节点的信息,并将AGV任务指派及全局规划路径信息送给边缘云,边缘侧的AGV负责现场环境信息的收集与局部路径规划。使用云边协同计算技术后,多AGV导航与避障中遇到的延迟问题得到了缓解,且在物流配送过程中响应速度更快,资源利用更加合理。

基于云边协同的智能制造系统中的实时数据处理与分析研究

旨在探讨基于云边协同的智能制造系统中的实时数据处理与分析的方法与应用。随着制造业的数字化转型,实时数据处理与分析对提高生产效率和质量至关重要。作为一种新兴的计算范式,云边协同允许将数据处理任务分布到边缘设备,以满足实时性要求。提出了一种基于云边协同的框架,通过实验验证了其有效性。结果表明,所提出的框架能显著提高数据处理效率,满足实时性需求,为智能制造系统的数字化转型提供了有力支持。

面向云计算技术的云边协同和无人配送路径研究

近年来,智能物联网(Artificial Internet of Things,AIoT)不断推动物流行业的智慧化发展。为了提高物流配送效率,降低物流配送成本,文章提出了一种面向云计算技术的云边协同无人配送路径规划技术,通过云服务器、边缘服务器和终端设备的有效协调,实现无人配送过程中的用户交互、功能应用、资源管理等功能,为推动智慧物流的发展提供有效参考。利用无人机作为无人配送装置,搭建相应的软硬件架构,在某小区内进行实验,发现无人机能按照最优路径将相关装置有效配送至收货人处,证明该研究具有良好的应用价值。

云边协同环境下基于局部关键路径的工作流应用调度策略

针对不确定性云边协同环境下工作流应用调度问题,考虑服务器的负载压力、网络拥塞等计算环境因素造成计算性能和传输带宽的不稳定性,采用三角模糊数表示模糊云边协同环境中服务器的计算性能和传输带宽.对于泊松到达的多工作流应用,提出一种基于局部关键路径的多工作流应用调度策略,将局部关键路径作为调度单元进行统一调度,充分避免任务之间的数据传输,旨在满足多工作流应用截止日期约束的前提下,降低其模糊执行代价.仿真结果表明,与其他基准策略相比,在不同的截止时间约束下,该策略都能获得多工作流应用最优的可行调度方案,同时实现了模糊执行代价的有效优化.

基于显著性检测的云边协同视频流分析

为解决实时视频分析任务中精度和延迟的平衡问题,进一步提升系统性能,提出一种基于显著性检测的云边协同视频流分析框架。通过计算推理结果在视频帧上的梯度来准确衡量不同区域的显著性,结合监控摄像机的上下文特征构建宏块(视频编码的基本单元)粒度的感知区。通过建立这些感知区,边缘端可以针对视频帧中不同区域的内容进行不同层次的压缩过滤,降低传输过程中的带宽消耗。实验结果表明,该框架在较小精度损失的前提下,能够显著降低带宽消耗和延迟。

配电物联网云边协同系统计算资源双目标优化配置方法

云边协同系统能够支持计算资源弹性扩展,适应配电物联网技术的需求。针对云边协同系统的计算资源配置问题,刻画了云边协同系统的计算资源,建立了计算业务模型,提出了批量计算业务的业务超时系数以对系统效果进行定量评价。基于上述模型,以最小化云边协同系统开销和最小化业务超时系数为目标,建立了考虑云边互动的计算资源优化配置双目标规划模型,并采用改进差分进化算法得到帕累托前沿。基于仿真算例讨论了不同双目标处理方法、通信质量、并发业务规模等对所提计算资源配置方法的影响。

电力物联网下基于云边协同的计算任务放置算法

电力无线网具有高可靠、安全性优势,但存在频段资源有限、输变电场景基站取能较为困难等诸多不利因素,基于云边协同的计算任务放置算法进行电力无线网的优化研究具有重要意义。云计算作为一种集中式的解决方案可以提供充足的计算资源,但是电力物联网设备与云服务器通信时存在低带宽和高时延的问题。由此,研究人员提出了边缘计算的概念,综合云计算和边缘计算的优点,云边协同逐渐以互补运作的模式得到广泛应用。文章提出一种云边协同场景下计算任务放置的改进优化算法,即基于文化基因(memetic algorithm,MA)的计算任务放置算法,以最小化电力物联网设备的能耗以及电力物联网应用程序的执行时间。基于MA的计算任务放置算法分3个阶段:预调度阶段、并行应用程序的计算任务放置阶段和故障恢复阶段。通过仿真结果验证,与现有算法对比,文章所提算法的性能包括带宽、最大迭代数、决策时间等方面都得到显著提高。

基于云边协同子类蒸馏的卷积神经网络模型压缩方法

当前卷积神经网络模型的训练和分发流程中,云端拥有充足的计算资源和数据集,但难以应对边缘场景中碎片化的需求。边缘侧能够直接进行模型的训练和推理,但难以直接使用云端按照统一规则训练的卷积神经网络模型。针对在边缘侧资源受限的情况下,卷积神经网络算法进行模型压缩的训练和推理有效性低的问题,首先,提出了一种基于云边协同的模型分发和训练框架,该框架可以结合云端和边缘侧各自的优势进行模型再训练,满足边缘对指定识别目标、指定硬件资源和指定精度的需求。其次,基于云边协同框架训练的思路,对知识蒸馏技术进行改进,提出了新的基于Logits和基于Channels两种子类知识蒸馏方法(SLKD和SCKD),云服务端先提供具有多目标识别的模型,而后通过子类知识蒸馏的方法,在边缘侧将模型重新训练为一个可以在资源受限的场景下部署的轻量化模型。最后,在CIFAR-10公共数据集上,对联合训练框架的有效性和两种子类蒸馏算法进行了验证。实验结果表明,在压缩比为50%的情况下,相比具有全部分类的模型,所提模型推理准确率得到了显著的提升(10%~11%);相比模型的重新训练,通过知识蒸馏方法训练出的模型精度也有显著提高,并且压缩比率越高,模型精度提升越明显。

gEdge:基于容器技术的云边协同的异构计算框架

由于按需灵活配置、高可用性、高资源利用率等优点,云计算技术成为过去十年的主流计算范式.随着万物互联时代的到来,单独依赖云计算技术已经无法满足数以亿计的IoT设备及其数据流量的需求.边缘计算可以被看作是云计算的进化,它因5G网络和物联网的崛起而诞生.随着云游戏、VR技术以及人工智能技术在日常生活中的广泛运用,对计算资源的需求也在日渐增长.然而,受体积与功耗限制,处于边缘的节点设备算力较弱.本文提出了gEdge:一种基于容器技术的云边协同的异构计算框架.该框架通过GPU虚拟化技术,将云端的物理GPU资源分为多块虚拟GPU资源,按需为边缘节点提供GPU算力资源,并且对用户容器无感知.实验表明,使用gEdge框架使边缘节点使用的容器镜像体积降低了48.8%,容器启动时间降低了35.5%,平均相对运行速度提高了213%.

基于特征识别与云边协同的安全智能检测技术研究

由于电力施工环境的复杂性和多样性,监管人员难以在电力作业安全巡检过程中对违规行为及安全措施进行及时、准确地检查。针对此,文中提出了一种基于特征识别与云协同的安全智能检测算法。该算法利用卷积神经网络(CNN)与样本数据训练出作业中常见的安全帽、安全绳等5种识别模型,使用训练好的模型对经过预处理操作的电力施工现场图像数据进行分析与识别,从而实现了对安全措施的智能监测。实验结果表明,所提算法对典型电力施工安全措施的识别准确率可达到87%以上,证明了算法的有效性。

面向多目标状态感知的自适应云边协同调度研究

随着智能城市和工业智能制造的蓬勃发展,从监控摄像头获取详尽信息以进行多目标视觉分析的需求日益突出。现有研究主要关注在服务器上进行资源调度以及改良视觉模型,往往不能很好地应对设备资源状态和任务状态的动态变化。随着边缘端硬件资源的升级和任务处理模型的改进,设计一个自适应的云边协同调度模型来满足任务的实时用户需求成为优化多目标状态感知任务的重要方式。因此,在深入分析云边场景下多目标状态感知任务特性的基础上,提出了一种基于深度强化学习的自适应云边协同调度模型ATS-SAC。ATS-SAC通过实时解析多目标状态感知任务的运行时状态,动态给出任务执行的视频流配置、模型部署配置等调度决策,从而显著优化环境不稳定的云边场景下多目标状态感知任务的精度、时延的综合性能质量。同时,还引入了一种基于用户体验极限阈值的动作筛选方法,有助于去除冗余的决策动作,进一步优化模型的决策空间。针对用户对多目标状态感知任务性能结果的不同需求,ATS-SAC模型能提供包括极速模式、均衡模式和精度模式在内的多种灵活的调度策略。实验结果表明,相比其他的任务执行方式,在ATS-SAC模型的调度策略下,多目标状态感知任务在精度质量和处理时延上更能满足用户的体验需求。同时,当实时运行状态变化时,ATS-SAC模型能够动态调整其调度策略,以保持稳定的任务处理效果。

基于云边协同的新能源功率预测系统研究

为满足当前多时间尺度新能源功率预测的数据分析计算要求,文中提出了基于云边协同的新能源功率预测系统设计方案。构建了基于云边协同预测系统的总体架构,云端对功率预测任务和服务器资源进行总体管控,边缘靠近任务需求侧分担存储、计算任务,并与云端形成层级关系;采用Docker容器技术实现云边系统资源的高效利用,通过资源配置算法优化系统多服务器的延时和功耗平衡;针对大数据文件的云边交互提出通信优化传输机制以节省延时和带宽。最后通过实例验证了所提系统可满足多时间尺度大规模新能源功率预测任务的需求。

融合云边协同的分布式铝箔厂设备监控管理系统

为了解决传统铝箔厂设备监控与管理中的问题,提出并实现了一种融合边缘节点、分布式存储与云计算的可视化铝箔厂设备监控管理系统。该系统通过边缘节点与私有云服务协同工作的方式,提供了实时监控、信息管理与故障诊断等功能,通过分布式存储服务集群针对生产数据进行可靠存储,借助公有云进行资源共享与数据分析。系统综合提供设备与人员管理、支持三维动画、集成分布式存储、离线时序预测及数据可视化等多种服务,具有安全可靠、易扩展且功能丰富等优点。提出的设备监控管理系统已成功应用于某铝箔厂的全厂设备监控,应用结果表明,该系统能够有效地进行设备状态监测与维护。

面向云边协同的基础支撑技术

随着信息技术的进步,军事信息系统向着云边端架构方向不断演进,其中信息服务环境作为基础支撑平台起到至关重要的作用。在明确云边端定义以及云边协同内涵的基础上,从资源、服务和数据层面设计了面向云边协同的基础支撑技术架构,并给出了云边协同的资源管理、服务共享以及数据同步等关键技术。该技术架构可应用于战役和战术级信息系统构建与协同,并可为基于云环境的战术作战系统设计与开发提供参考。

云边协同下时空特征融合的轴承剩余寿命预测

为了解决滚动轴承剩余使用寿命(remaining useful life, RUL)预测中的特征依赖关系、表征退化趋势和实时性问题,提出了一种云边协同下时空特征融合的轴承剩余寿命预测方法。首先,在离线阶段依据专家先验知识对轴承历史退化数据进行去噪处理;其次,对去噪信号进行时域与频域退化特征的提取,并对提取的退化特征进行分析与筛选;最后,采用皮尔逊相关系数对选取的退化特征进行相似相关性分析,并根据相似相关参数构建特征空间图作为图卷积网络(graph convolutional network, GCN)-Transformer模型输入以进行训练,并在云边协同实时预测阶段测试以减轻云端负担。在XJTU-SY数据集上的实验中,所提方法与其他文献预测方法相比在MAE与RMSE指标上分别降低了10.5%与11.3%,在平均响应时间(实时性指标)上降低到采用云计算策略的0.363。实验结果验证了所提方法的有效性。

基于云边协同的充电设施协调控制系统设计

随着大规模充电设施的接入及其相关分析计算的日益精细化,原有的监控系统无法适应相应的大规模数据处理需求,因此文章提出基于云边协同的充电设施协调控制系统,结合云边协同特点和充电设施控制需求,构建了云端、边缘、充电设施聚合网关功能定位及交互模型,云端对边缘、聚合网关进行统一管理,接收采集信息并对控制系统分析计算服务进行管控和调度,边缘对分布式充电设施进行数据采集和实时控制;云边系统通过Docker容器技术实现服务器资源进行管理,并提出了基于最小变化率的容器部署调度算法实现服务器负载均衡以及资源的高效利用;所提系统实现了大数据通信压力下资源的有效分配,满足电力系统数据采集和多时间尺度控制的需求;最后给出所提系统的应用效果,进一步通过实例验证了Docker容器及其部署调度算法在资源管理方面的适应性和高效性。

基于云边协同的配网潮流方向识别与保护方法

随着分布式电源(DG)的大量接入,传统单电源配电网络转变为多电源供电网络,导致传统三段式电流保护系统出现误动和拒动问题。为解决这些问题并保障DG接入后的稳定运行,分析了DG对潮流方向的影响,提出了基于故障电流相位分析的方向识别判据。根据潮流方向识别结果,提出一种基于云边协同的电流保护方案。该方案在保护装置中整合了方向识别功能,只有在电流超出整定值且方向正确时,保护装置才会动作。结果表明,该方案不仅能满足线路保护范围要求,还能准确识别故障方向,提高了DG接入后保护装置的准确性。

基于云边协同的工程施工进度智能全时空监控软件设计与实现

基于目标检测优化的深度学习算法,研发了一套基于云边协同的工程施工进度智能全时空监控软件。该套软件包括边缘进度采集装置和云端进度智能监控软件后台。施工现场部署边缘进度采集装置,装置内构建了精细化训练网络算法模型,选取38类关键识别对象,建立了输变电工程现场基建的构建筑物样本库,工程进度识别准确率提升达到96%以上。同时,边缘进度采集装置将进度数据实时上传汇聚至云端的进度智能监控软件后台,后台整合现场班组人员、设备资源投入等全要素信息,建立工程进度风险分级预警模型,通过识别出的多维数据的协同分析,实现基建现场进度精准预警掌控,解决了输变电工程的进度管控困难问题。