[发明专利]一种面向深度学习的边云协同装置

说明书

本发明涉及一种面向深度学习的边云协同装置，该方法由以下技术方案实现：针对现有深度学习模型存在计算量较大的问题，本装置将深度可分离卷积结构引入工业诊断中来，构建了单步深度可分离残差卷积诊断网络，提出了面向小模型训练的时序数据增强方法，以及长时迁移的训练方法，通过上述结构调整，可达到对其进行工业时序数据增强，在数据不足的情况下，数据增强能够较大程度减弱模型过拟合的技术效果。

技术领域

本发明涉及一种适用于协同装置，具体设计一种面向深度学习的边云协同装置。

背景技术

云计算技术是相关现有技术之一。云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后，通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。云计算早期，简单地说，就是简单的分布式计算，解决任务分发，并进行计算结果的合并。

边缘计算是相关现有技术之一。边缘计算起源于传媒领域，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。

深度学习模型存在计算量较大的问题，本方案将深度可分离卷积结构引入工业诊断中来，构建了单步深度可分离残差卷积诊断网络，提出了面向小模型训练的时序数据增强方法，以及长时迁移的训练方法。

发明内容

本发明的目的是提供一种面向深度学习的边云协同装置。

针对现有深度学习模型存在计算量较大的问题，本装置将深度可分离卷积结构引入工业诊断中来，构建了单步深度可分离残差卷积诊断网络，提出了面向小模型训练的时序数据增强方法，以及长时迁移的训练方法；以下为装置具体组成部分：

1、设计边缘诊断系统，

用户界面包括：用户管理交互、本地模型选择、新建任务交互、多任务诊断显示、多任务诊断选择、多任务列表显示、多任务列表选择、自动更新控制以及云端模型查询、更新交互；后台系统则包括：数据及模型管理模块、多任务诊断模块和云边资源交换模块；其中数据及模型管理模块包括：信号数据管理模块、模型数据管理模块、多任务状态数据管理模块以及系统配置参数管理模块；所述多任务诊断模块包括：多任务动态绘图模块、特征提取模块、多任务诊断进程管理模块、多任务诊断数据队列管理模块、多任务诊断状态记录模块、深度学习诊断任务模块、机器学习诊断任务模块以及诊断后处理模块；所述云边资源交换模块包括：用户数据模块、信号数据传输模块、云端模型查询模块、自动更新模块、模型配置数据更新模块及模型数据更新模块。

2、针对上述边缘诊断系统中的架构设计，在边缘诊断的模型训练方面，将单步深度可分离残差卷积诊断网络。

本方案针对边缘端计算量较大的情况，将单步深度可分离残差卷积结构引入到边缘端计算中，减少边缘段的计算量。通过构建包含36层网络的单步深度可分离残差卷积网络，可以极大地降低神经网络的计算量；

而深度可分离卷积结构在标准卷积的基础上，将卷积结构分离成深度感知卷积结构和位置感知卷积结构，这样可以解决卷积计算效率问题和防止过拟合；

而单步深度可分离卷积结构如下图5单步深度可分离卷积结构所示。单步深度可分离卷积结构包含两部分：一维深度感知卷积和一维位置感知卷积。其中，一维深度感知卷积以多通道一维特征图为输入，分离卷积产生与输入通道相同通道数的特征图，而一维位置感知卷积以新产生的特征图为输入，卷积产生任意通道数量的新特征图。

基于单步深度可分离卷积结构，将残差机制纳入其中，构建包含36层网络的单步深度可分离残差卷积结构，如下图6单步深度可分离残差卷网络所示。其中，两层并列结构分别表示深度感知卷积和位置感知卷积对结构，相同颜色的色块对表示卷积结构参数相同，而网络上方的跨层连接线代表残差结构。