在线辨识轴向柱塞泵磨损状态对保证液压传动与控制系统的稳定可靠运行具有重要意义,但实际工况下的辨识性能受强噪声干扰。磨损状态辨识模型能通过对抗训练增强抗噪声鲁棒性,但庞大的参数量限制了其在边缘计算设备上的应用。为了兼顾抗噪声鲁棒性和模型体量,提出了一种基于对抗蒸馏的磨损状态在线辨识轻量化方法,设计了基于一维卷积神经网络的学生模型和教师模型,学生模型生成对抗样本作为知识迁移数据集,并通过知识蒸馏学习教师模型的鲁棒特征知识。通过故障注入、对比实验和消融实验,表明所提方法能兼具抗噪声鲁棒性强和模型结构轻量的优势。通过边缘部署和在线验证实验,验证所提方法能实时准确地辨识轴向柱塞泵磨损状态。

提出一种基于边缘计算的变电站现场作业风险感知方法。感知层利用电子经纬仪、激光测距仪采集变电站现场作业各项数据,利用边缘计算平台调取采集的现场作业数据,获取变电站现场作业数据中的风险数据,传输至云平台,基于风险数据构建现场作业风险评价指标体系,采用层次分析法确定各指标权重,进行风险评估,实时感知变电站现场作业风险。实验结果表明,该方法能够高效感知变电站现场作业风险,且数据接收时延控制在3 s内。使用所提方法可有效避免现场作业事故的发生。

针对传统集中式或分布式电网系统结构难以进行大数据环境下高效的电力数据处理和决策制订,建立了一种基于云主站与边缘计算的电力数据存储和算例优化模型。根据边缘计算节点设计将计算结构模型分为服务基层设施层、软件层、平台服务层,利用边缘计算任务分配优化模型与算法对边缘任务卸载和资源分配进行优化,提升边缘算力,引入“云端协同”机制实现轻量级数据的高效处理,解决数据存储和策略执行的协同问题,满足边缘计算与云主站间的数据协同要求。实例应用表明,该模型能有效提高电网边缘数据的处理能力,为智能电网发展提供支持。

为了解决信息化条件下数控机床故障监测效率低、维修成本高、时延高等问题,同时满足网络技术、边缘计算、故障预测与健康管理技术相结合的智能诊断需求,提出基于信息物理系统的智能诊断系统。系统设计为4层:智能感知层、数据决策层、网络层、应用层。与传统的故障诊断与健康管理相比,该系统引入边缘计算技术与人工智能相关技术,解决系统的实时性、网络可靠性、数据安全性等问题,进一步实现智能化的故障预测与健康管理。以数控机床滚珠丝杠副为例,通过分析其故障现象并设计PHM流程,应用网络技术远程部署和配置PHM算法从而实现对机床的在线监测,同时能够识别丝杠的早期、中期和晚期故障。结果表明:该系统对进一步提高数控机床故障诊断可靠性以及实现设备智能运维和健康管理具有重要的意义。

为了在双X射线源、双电离室阵列探测器构成的热轧钢板凸度仪系统中重建钢板横截面的厚度分布,必须对钢板横截面的两个边缘进行准确计算。本研究基于实际构建的凸度仪系统,应用X射线在物质中衰减的规律,对X射线在钢板边缘处的衰减进行准确建模,并利用对应于钢板边缘的探测器的输出信号,完成了钢板横截面边缘的准确计算。研究结果表明,利用该算法得到的钢板边缘正是钢板边缘的中点位置,边缘计算的算法准确。

水面机器人是继无人驾驶汽车、无人机后的工业界、学术界的又一关注热点,机舱作为水面机器人的控制和运行中枢,要求具备高度的智能化和自治化。基于边缘计算模式设计和实现了水面机器人机舱预测性维护系统,该系统具有机舱运行参数实时感知、故障诊断,估计剩余寿命,进而开展预测性维护的功能。论文给出基于边缘计算的预测性维护系统体系结构设计,以NVIDIA Tegra Parker深度学习Soc为核心的边缘网关架构设计,基于GRU门控循环单元神经网络学习算法的故障诊断、剩余寿命预测方法及预测性维护实现思路,最后在NASA的PCo E发动机退化模拟数据集上验证了系统设计的可行性及预测算法的有效性。