基于多注意力和变分编码时序网络的发动机剩余使用寿命预测方法

准确可靠的剩余使用寿命(RUL)预测结果可为决策者提供有价值的信息,以采取适当的维护策略,最大限度地利用设备,避免昂贵的故障维修费用;为了从高噪声的真实工况中对发动机故障进行有效诊断,提出了一种融合多注意力机制和变分编码的时序预测模型(MA-VBLSTM),通过嵌入多注意力机制获得所有特征在空间维度和通道维度的不同权重,以提高退化特征的提取能力;采用变分编码器进行退化信息编码并学习数据间深度隐藏的信息;利用双向长短时记忆网络的长短期时序数据双向处理能力实现发动机RUL的预测;实验结果表明,该模型在发动机CMAPSS数据集的FD001、FD002、FD003、FD004子数据集上,RMSE和Score值相比现有方法分别平均降低5.27%和10.70%、1.37%和1.68%、6.37%和26.94%、3.02%和2.06%。

移动边缘计算中的多用户多边协同卸载策略

在多用户多边缘服务器的边缘计算场景下,用户设备在任务卸载时,由于卸载目标的不确定性常导致移动边缘服务器负载不均衡,出现资源紧张或资源空闲浪费问题,甚至导致卸载决策失效。针对此问题,提出了面向时延和能耗感知的启发式任务多边协同卸载(HTMC)算法,并在算法中提出了一种基于粒子近期历史位置的位置更新策略(PRPPUS)。该算法以最小化UE能耗和任务执行时延的加权和为目标,根据时延和能耗感知自适应地选择任务卸载策略,达到最小化UE开销目标。仿真实验结果证明,与采用粒子群算法和遗传算法的卸载策略比较,所提HTMC算法的性能更高、更平稳,算法运行开销较小,优化效果更突出。