一种应用于刀具预测性维护领域的任务卸载方法技术

本发明专利技术涉及数控制造领域，具体的说是一种应用于刀具预测性维护的边缘计算任务卸载方法

【技术实现步骤摘要】
一种应用于刀具预测性维护领域的任务卸载方法


[0001]本专利技术属于刀具的预测性维护领域，涉及到边缘计算任务卸载问题，具体的说是一种应用于刀具预测性维护领域的任务卸载方法
。

技术介绍

[0002]在机床加工过程中，刀具作为加工过程的直接执行者，其健康状态直接影响加工的质量和精度
。
刀具的磨损有许多可能的干扰因素，每一种刀具都有特定的磨损曲线
。
在传统切削加工过程中，主要依靠加工人员主观经验判断刀具磨损情况进行换刀，这会造成刀具磨损量未超过正常磨损范围却被卸下，或刀具剧烈磨损却未更换刀具的情况
。
随着边缘计算
、
人工智能等技术的快速发展，以深度神经网络
(DNN)
为代表的机器学习算法被广泛应用于刀具的磨损诊断及预测
。
[0003]目前，边缘计算任务卸载方法是将复杂的
DNN
模型部署到计算资源有限的车间设备上的主要方式之一
。
在刀具预测性维护领域，降低时延是现有任务卸载策略的主要目标，得到了学者们广泛的使用和研究
。
然而以时延最短为目标进行任务卸载往往会导致系统将大量任务卸载到计算能力更强的边缘服务器进行处理，一方面造成了大量边缘节点资源的闲置，另一方面，可能会引起服务器过载
。

技术实现思路

[0004]针对将以
DNN
为代表的机器学习任务在边缘侧进行卸载时保障边缘服务器负载均衡这一问题，为在满足系统实时性和吞吐率要求下实现负载均衡，本专利技术提供了一种应用于刀具预测性维护领域的任务卸载方法
。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]一种应用于刀具预测性维护领域的任务卸载方法，包括以下步骤：
[0007]基于神经网络构建刀具磨损诊断与预测模型，并基于神经网络层次结构划分不同的子任务；
[0008]根据子任务之间的切分点，将子任务卸载到边缘节点和边缘服务器中，构建系统模型；
[0009]计算各候选切分点对应的服务器最大可接入节点数量；
[0010]根据系统模型计算各候选切分点对应的吞吐率；
[0011]在满足吞吐率要求的同时，选择服务器可接入节点数最大的切分点，得到卸载策略
。
[0012]所述根据子任务之间的切分点，将子任务卸载到边缘节点和边缘服务器中，具体为：
[0013]将切分点之前的子任务在边缘节点执行，将切分点之后的子任务卸载到服务器，边缘节点并行执行子任务，服务器串行执行子任务，边缘节点和边缘服务器为多对一关系
。
[0014]所述系统模型包括：边缘节点执行时延
t
node
、
边缘服务器执行时延
t
server
和数据在
节点与服务器间传输时延
t
tran
：
[0015][0016][0017]t
tran
＝
D
i
/Blog2(1+p
i
|h
i
|2/
σ2)
[0018]其中：
R
i
为第
i
个子任务，
i
＝
1,2,
…
,n
，
j
为切分点，
f
node
(R
i
)
与
f
server
(R
i
)
分别表示边缘节点和边缘服务器执行子任务
R
i
的时延预测模型，
D
i
表示子任务
R
i
执行完毕输出数据的大小，
B
为节点和服务间可用带宽，
p
i
为节点
i
的发射功率，
h
i
为信道增益，
σ2为信道内部的高斯噪声功率
。
[0019]所述计算各候选切分点对应的服务器最大可接入节点数量，包括以下步骤：
[0020]计算每个候选切分点
j
的服务时延
T
j
：
[0021]T
j
＝
t
node
+t
tran
+M
j
t
server
[0022]根据任务截至时限
l
R
计算各候选切分点对应的服务器可接入节点数量
M
j
：
[0023]最大可接入节点数量为：
[0024]maxmizeM
j
[0025]s.t.T
j
≤l
R
。
[0026]所述根据系统模型计算各候选切分点对应的吞吐率，包括以下步骤：
[0027]计算每一个时间片
τ
对应的时延：
[0028]τ
＝
max{t
node
,t
tran
,t
server
}
[0029]基于时间片
τ
得到各候选切分点的吞吐率：
[0030]θ
＝
1/
τ
。
[0031]所述卸载策略为：
[0032]根据系统吞吐率要求设置阈值，在吞吐率大于阈值的候选切分点中选择对应
M
j
最大的切分点切分任务，切分点之前的子任务在边缘节点执行，切分点之后的子任务卸载到服务器执行
。
[0033]本专利技术具有以下有益效果及优点：
[0034]1.
结合加工现场的实际情况，提高现场闲置计算资源的利用率
。
[0035]2.
考虑系统吞吐率，减少数据丢弃
。
[0036]3.
在系统实时性和吞吐率的要求下实现负载均衡
。
附图说明
[0037]图1为本专利技术方法流程图；
[0038]图2为本专利技术系统结构图；
[0039]图3为
MISD
流水线结构图
。
具体实施方式
[0040]下面结合附图及实施例对本专利技术做进一步的详细说明
。
[0041]下面结合附图对本专利技术方法作进一步详细说明
。
[0042]本专利技术包括以下步骤：
[0043]为刀具磨损诊断及预测建立合适的算法模型，并根据神经网络层划分子任务，获得任务卸载算法中模型的候选切分点；
[0044]针对现场情况建立系统模型，根据硬件设备条件初始化子任务在不同设备上执行
、
传输的时延；
[0045]根据任务截止时限计算在各候本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用于刀具预测性维护领域的任务卸载方法，其特征在于，包括以下步骤：基于神经网络构建刀具磨损诊断与预测模型，并基于神经网络层次结构划分不同的子任务；根据子任务之间的切分点，将子任务卸载到边缘节点和边缘服务器中，构建系统模型；计算各候选切分点对应的服务器最大可接入节点数量；根据系统模型计算各候选切分点对应的吞吐率；在满足吞吐率要求的同时，选择服务器可接入节点数最大的切分点，得到卸载策略
。2.
根据权利要求1所述的一种应用于刀具预测性维护领域的任务卸载方法，其特征在于，所述根据子任务之间的切分点，将子任务卸载到边缘节点和边缘服务器中，具体为：将切分点之前的子任务在边缘节点执行，将切分点之后的子任务卸载到服务器，边缘节点并行执行子任务，服务器串行执行子任务，边缘节点和边缘服务器为多对一关系
。3.
根据权利要求1所述的一种应用于刀具预测性维护领域的任务卸载方法，其特征在于，所述系统模型包括：边缘节点执行时延
t
node
、
边缘服务器执行时延
t
server
和数据在节点与服务器间传输时延
t
tran
：：
t
tran
＝
D
i
/B log2(1+p
i
|h
i
|2/
σ2)
其中：
R
i
为第
i
个子任务，
i
＝1，2，
...
，
n
，
j
为切分点，
f
node
(R
i
)
与
f
server
(R
i
)
分别表示边缘节点和边缘服务器执行子任务
R
i
的时延预测模型，
D
i
表示子任务
R
i
执行...

【专利技术属性】
技术研发人员：郭锐锋，王楚婷，胡毅，于皓宇，张曦阳，刘国泰，
申请(专利权)人：沈阳中科数控技术股份有限公司，
类型：发明
国别省市：