面向AIOT的邊緣智能優(yōu)化技術(shù)

1、面向AIOT的邊緣智能優(yōu)化技術(shù)技術(shù)創(chuàng)新，變革未來(lái)報(bào)告提綱從物聯(lián)網(wǎng)到智聯(lián)網(wǎng)的挑戰(zhàn)邊緣智能執(zhí)行框架邊緣智能執(zhí)行優(yōu)化技術(shù)挑戰(zhàn)和展望傳統(tǒng)物聯(lián)網(wǎng)的應(yīng)用模式物聯(lián)網(wǎng)（IOT）技術(shù)旨在利用射頻識(shí)別技術(shù)、無(wú)線數(shù)據(jù)通信技術(shù)等構(gòu)造一種全球物品信息 實(shí)時(shí)共享的實(shí)物互聯(lián)網(wǎng)。煤礦監(jiān)控長(zhǎng)城環(huán)境監(jiān)控森林監(jiān)控車流監(jiān)控云數(shù)據(jù)中心從物聯(lián)網(wǎng)到萬(wàn)物互聯(lián)現(xiàn)象一：聯(lián)網(wǎng)設(shè)備數(shù)量呈爆炸式增長(zhǎng)來(lái) 源 ：Cisco Visual Networking Index: Forecast and Trends, 20172022, https:/ AIOT智聯(lián)網(wǎng)” 物聯(lián)網(wǎng)的新形態(tài)AIOT 智 聯(lián) 網(wǎng) = AI + IOT系統(tǒng)通過(guò)各種傳感器實(shí)時(shí)采集各類信

2、息，利用機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行智能化分 析，實(shí)現(xiàn)物聯(lián)網(wǎng)的功能智能化、應(yīng)用場(chǎng)景化、形態(tài)多樣化智能終端應(yīng)用車聯(lián)網(wǎng)智慧醫(yī)療智能安防智能應(yīng)用舉例SegNet語(yǔ)義分割C3D行為識(shí)別BERT自然語(yǔ)言處理YOLO v3目標(biāo)檢測(cè)智能應(yīng)用舉例（以無(wú)人駕駛為例） 數(shù)據(jù)采集預(yù)處理識(shí) 別 預(yù) 測(cè)結(jié)果呈現(xiàn)智能應(yīng)用舉例（以無(wú)人駕駛為例） 感知設(shè)備多攝像頭（12個(gè)）：20-60 MB/S 激光雷達(dá)（3個(gè)）：10-70MB/S 毫米波雷達(dá)（3個(gè)）：10kB/S超聲波雷達(dá)（12個(gè)）：10-100kB/SMobileye 無(wú)人駕駛原型車模型計(jì)算量大計(jì)算密集型任務(wù) 數(shù)據(jù)密集型任務(wù)智能應(yīng)用舉例（以無(wú)人駕駛為例） 自動(dòng)駕駛每往上升一級(jí)，它

3、的計(jì)算量就增加了一個(gè)數(shù)量級(jí)AIOT應(yīng)用的新特點(diǎn)和新需求在線搜索駕駛在線零售交易VR/AR500ms343ms*平臺(tái)10ms7ms流量和收入減少20%35英尺收入減少10%動(dòng)暈癥人員 2100ms 銷售額減少1%設(shè)備大規(guī)模相比于云計(jì)算數(shù)百萬(wàn)計(jì)的設(shè)備，未來(lái)需要支持的設(shè)備數(shù)量將達(dá)到數(shù)十億計(jì)海量大數(shù)據(jù)自動(dòng)駕駛汽車（ 4TB /d）, 智能工廠的生產(chǎn)視頻數(shù)據(jù)（1PB/d）響應(yīng)低延時(shí)根據(jù)不同應(yīng)用場(chǎng)景有不同尺度的低延遲需求數(shù)據(jù)隱私性不暴露原始數(shù)據(jù)，同時(shí)能夠得到理想的分析結(jié)果現(xiàn)有AIOT應(yīng)用的實(shí)現(xiàn)方式終端智能應(yīng)用的執(zhí)行主要包括兩個(gè)環(huán)節(jié)：模型訓(xùn)練：終端數(shù)據(jù)采集，云端模型訓(xùn)練，相應(yīng)的機(jī)器學(xué)習(xí)平臺(tái)有：在線推斷：終端

4、模式端+云模式AIOT應(yīng)用的模型訓(xùn)練 目前工作的主要思路從訓(xùn)練過(guò)程角度：通過(guò)剪枝、霍夫曼編碼等技術(shù)，減少訓(xùn)練的計(jì)算量 1從計(jì)算模式的角度：模型并行數(shù)據(jù)并行混合并行1 Han S, Mao H, Dally W J. Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman CodingJ. Fiber, 2015,帶寬極大消耗、存在數(shù)據(jù)隱私問(wèn)題AIOT應(yīng)用的在線推斷 基于端+ 云的推斷 實(shí)現(xiàn)方式：模型存儲(chǔ)在云端，終端采集數(shù)據(jù)，通過(guò)Internet傳輸 至云端

5、服務(wù)器進(jìn)行識(shí)別云Googles Prediction APIMicrosofts Azure ML模模型型Amazon MachineLearning.終端數(shù)數(shù)據(jù)據(jù)設(shè)備蘋(píng)果Siri訊飛語(yǔ)音識(shí)別小愛(ài)同學(xué)網(wǎng)絡(luò)負(fù)載重、響應(yīng)延遲高AIOT應(yīng)用的在線推斷 基于終端的推斷模型壓縮剪枝量化 、霍夫曼編碼 2終端深度學(xué)習(xí)框架On Android終端設(shè)備增強(qiáng)GPUFPGAAI芯片Intel計(jì)算棒模型壓縮可能會(huì)降低識(shí)別精度 終端算力受限，難以高效計(jì)算對(duì)硬件有特殊要求，不適用于通用環(huán)境 仍然無(wú)法滿足應(yīng)用的低延時(shí)需求云云端分離云與端之間的高延遲和有限 的網(wǎng)絡(luò)帶寬Internet難以滿足應(yīng)用需求AIOT應(yīng)用日趨復(fù)雜，而

6、端設(shè)人機(jī)物備算力性能與能量有限端亟需一種支持“云端融合”的新型計(jì)算模式如何實(shí)現(xiàn)AIOT應(yīng)用高精度低延時(shí)的訓(xùn)練和推理 是一個(gè)重要科學(xué)問(wèn)題報(bào)告提綱從物聯(lián)網(wǎng)到智聯(lián)網(wǎng)的挑戰(zhàn)邊緣智能執(zhí)行框架邊緣智能執(zhí)行優(yōu)化技術(shù)挑戰(zhàn)和展望邊緣計(jì)算的理念邊緣計(jì)算：一種層次化的分布式計(jì)算模式，通過(guò)發(fā)揮網(wǎng)絡(luò)邊緣設(shè)備的計(jì)算能力和存儲(chǔ)能力， 在網(wǎng)絡(luò)的邊緣提供通信、存儲(chǔ)和計(jì)算資源及服務(wù)，形成“端-邊緣-云”三元架構(gòu)，以降低 應(yīng)用延遲和網(wǎng)絡(luò)負(fù)載主要理念：計(jì)算由中心下放到邊緣邊緣計(jì)算架構(gòu)計(jì)算框架：“云-邊緣-端”三元架構(gòu)邊緣智能架構(gòu)機(jī)器學(xué)習(xí)模型訓(xùn)練與在線推斷過(guò)程和邊緣計(jì)算架構(gòu)的結(jié)合云計(jì)算中心模型Pb邊緣服務(wù)器邊緣服務(wù)器邊緣服務(wù)器邊緣層P

7、bPb云服務(wù)Pb模型Pb模型Pb模型終端設(shè)備終端設(shè)備終端設(shè)備Pb模型Pb模型Pb模型邊緣智能體系結(jié)構(gòu)智能終端邊緣服務(wù)器 物理資源層基礎(chǔ)服務(wù)層平臺(tái)服務(wù)層應(yīng)用層終端任務(wù)終端模型及 執(zhí)行環(huán)境數(shù)據(jù)管理邊緣端任務(wù) 執(zhí)行環(huán)境邊緣端模型 及數(shù)據(jù)管理云端任務(wù) 執(zhí)行環(huán)境云端模型及 存儲(chǔ)管理資源管理與優(yōu)化智能制造智能家居 云數(shù)據(jù)中心 公共安全與智能安防智能交通與自動(dòng)駕駛深度學(xué)習(xí)應(yīng)用（模型訓(xùn)練+在線推斷）虛擬化基礎(chǔ)支撐平臺(tái)Docker等深度學(xué)習(xí)基礎(chǔ)支撐平臺(tái)TensorFlow等端邊云協(xié)同模型訓(xùn)練端邊云協(xié)同在線推斷數(shù)據(jù)存儲(chǔ)管理工作流編排海量聯(lián)接與自動(dòng)化運(yùn)維云端邊邊緣智能環(huán)境下模型訓(xùn)練方式模型訓(xùn)練由“端云”訓(xùn)練模式向“

8、端邊云”訓(xùn)練模式轉(zhuǎn)變模型訓(xùn)練邊緣服務(wù)器智能終端云數(shù)據(jù)中心可穿戴設(shè)備智能手機(jī)智能攝像頭無(wú)人機(jī)模型訓(xùn)練訓(xùn)練樣本收集訓(xùn)練樣本收集模型訓(xùn)練智能終端云數(shù)據(jù)中心智能手機(jī)智能攝像頭無(wú)人機(jī)可穿戴設(shè)備訓(xùn)練樣本收集訓(xùn)練樣本收集邊緣智能環(huán)境下模型訓(xùn)練方式模型訓(xùn)練由“端云”訓(xùn)練模式向“端邊云”訓(xùn)練模式轉(zhuǎn)變模型訓(xùn)練邊緣服務(wù)器智能終端云數(shù)據(jù)中心可穿戴設(shè)備智能手機(jī)智能攝像頭無(wú)人機(jī)模型訓(xùn)練訓(xùn)練樣本收集訓(xùn)練樣本收集模型訓(xùn)練在云端（邊緣服務(wù)器負(fù)責(zé)進(jìn) 行初步特征提?。┗蛳乱浦吝吘壏?wù) 器進(jìn)行，樣本由終端匯聚動(dòng)機(jī)：訓(xùn)練數(shù)據(jù)可以不上云，節(jié)省帶寬 和存儲(chǔ)，一定程度可保證隱私性存在問(wèn)題：小樣本問(wèn)題：邊緣層的樣本數(shù)據(jù) 標(biāo)注困難，并且數(shù)量較少

9、計(jì)算與存儲(chǔ)能力受限：邊緣服務(wù)器無(wú)法訓(xùn)練復(fù)雜模型邊緣智能環(huán)境下模型訓(xùn)練解決思路訓(xùn)練數(shù)據(jù)和訓(xùn)練計(jì)算在端邊云“三元”計(jì)算架構(gòu)之間協(xié)同分配邊緣服務(wù)器智能終端云數(shù)據(jù)中心可穿戴設(shè)備智能手機(jī)智能攝像頭無(wú)人機(jī)訓(xùn)練樣本收集訓(xùn)練樣本收集云端其 他 邊 緣 節(jié) 點(diǎn)較少運(yùn)算少量運(yùn)算邊緣終端少量帶寬少量帶寬邊緣智能環(huán)境下模型訓(xùn)練解決思路訓(xùn)練數(shù)據(jù)和訓(xùn)練計(jì)算在端邊云“三元”計(jì)算架構(gòu)之間協(xié)同分配聯(lián)邦學(xué)習(xí)、聯(lián)邦遷移學(xué)習(xí)聯(lián)邦學(xué)習(xí)聯(lián)邦遷移學(xué)習(xí)邊緣智能環(huán)境下在線推斷方式在線推斷由“端云”模式向“端邊云”協(xié)同推斷轉(zhuǎn)變邊緣服務(wù)器可穿戴設(shè)備智能手機(jī)智能終端智能攝像頭終端智能應(yīng)用目標(biāo)檢測(cè)智能購(gòu)物在線推斷任務(wù)模型數(shù)據(jù)模型數(shù)據(jù)模型數(shù)據(jù)推斷任務(wù)推

10、斷結(jié)果云數(shù)據(jù)中心邊緣智能環(huán)境下在線推斷方式在線推斷由“端云”模式向“端邊云”協(xié)同推斷轉(zhuǎn)變邊緣服務(wù)器云數(shù)據(jù)中心可穿戴設(shè)備 智能手機(jī)智能攝像頭智能終端目標(biāo)檢測(cè)智能購(gòu)物終端智能應(yīng)用在線推斷任務(wù)模型數(shù)據(jù)模型數(shù)據(jù) 模型數(shù)據(jù)推斷任務(wù)推斷結(jié)果模型可分別部署于終端、邊緣以及云之上， 推斷任務(wù)可按需靈活卸載動(dòng)機(jī)：在線推斷的輸入數(shù)據(jù)在網(wǎng)絡(luò)邊緣處處 理，可極大降低延遲終端數(shù)據(jù)可以不上云，保證隱私性計(jì)算卸載到邊緣服務(wù)器，可以降低終 端設(shè)備的能耗報(bào)告提綱從物聯(lián)網(wǎng)到智聯(lián)網(wǎng)的挑戰(zhàn)邊緣智能執(zhí)行框架邊緣智能執(zhí)行優(yōu)化技術(shù)在線推斷挑戰(zhàn)和展望邊緣智能 在線推斷的解決思路ExitConv 3x3Conv 3x3LinearLinear

11、Conv 5x5Conv 5x5Conv 3x3傳 統(tǒng) 深 度 學(xué) 習(xí) 網(wǎng) 絡(luò)傳統(tǒng)深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別過(guò)程：神經(jīng)網(wǎng)絡(luò)深度越來(lái)越深不區(qū)分輸入數(shù)據(jù)的質(zhì)量必須經(jīng)過(guò)完整的模型網(wǎng)絡(luò)，造成冗余計(jì)算特點(diǎn)：邊緣智能 在線推斷的解決思路1 S. Teerapittayanon et al. Branchynet:Fast inference via early exiting from deep neural networks. IEEE ICPR16ExitConv 3x3Conv 3x3LinearLinearConv 5x5Conv 5x5Conv 3x3傳 統(tǒng) 深 度 學(xué) 習(xí) 網(wǎng) 絡(luò)Exit 1Exit 2

12、Exit 3Conv 3x3Conv 3x3LinearLinearConv 5x5Conv 5x5Conv 3x3Block 1Block 2Block 3LinearLinear分 支 深 度 學(xué) 習(xí) 網(wǎng) 絡(luò)分支網(wǎng)絡(luò)思路基于分支網(wǎng)絡(luò)的邊緣智能推斷加速框架云數(shù)據(jù)中心層邊緣服務(wù)器層終端設(shè)備層基于分支網(wǎng)絡(luò)的邊緣智能推斷加速框架云數(shù)據(jù)中心層邊緣服務(wù)器層 確定多出口模型結(jié)構(gòu) 確定終任端務(wù)設(shè)備在層端邊 云之間的分配在線推斷優(yōu)化技術(shù) 模型結(jié)構(gòu)優(yōu)化出口位置不同對(duì)應(yīng)的提前退出效果也不同16層：準(zhǔn)確率逐層提高(利)時(shí)間開(kāi)銷逐層上升(弊)713層：準(zhǔn)確率幾乎不變(0貢獻(xiàn))時(shí)間開(kāi)銷逐層上升(弊)Conv 1Con

13、v 2Conv jConv 13FC 1FC 2FC jFCExit 1Exit 2Exit jExit m(Exit Rate)出口個(gè)數(shù)影響分支網(wǎng)絡(luò)的平均完成時(shí)間出口個(gè)數(shù)少：任務(wù)退出不及時(shí)(利)額外計(jì)算開(kāi)銷小(弊)出口個(gè)數(shù)多：任務(wù)退出及時(shí)(利)額外計(jì)算開(kāi)銷大(弊)問(wèn)題： 如何基 于數(shù)據(jù)分布特 點(diǎn)確定分支網(wǎng) 絡(luò)的出口位置 和出口個(gè)數(shù)， 達(dá)到計(jì)算開(kāi)銷 最小化？在線推斷優(yōu)化技術(shù) 模型結(jié)構(gòu)優(yōu)化jbaselinejjtsave p (t- t)CONVCONVCONVFCCONVCONVFCCONVFCCONV2baselineP 100%tbaseline2P , t11P , t如何設(shè)計(jì)出口的數(shù)量

14、與位置？訓(xùn)練集準(zhǔn)確率計(jì)算時(shí)間出口退出率出口計(jì)算量步驟1：計(jì)算出口貢獻(xiàn)值根據(jù)各出口的準(zhǔn)確率（退出率的期望值）、 計(jì)算時(shí)間（計(jì)算量的反映），計(jì)算相比初始模型節(jié)省的時(shí)間成本（貢獻(xiàn)值）：步驟2：確定出口優(yōu)先級(jí)按由高至低排序，確定出口的優(yōu)先級(jí)隊(duì)列。n123321q1,m在線推斷優(yōu)化技術(shù) 模型結(jié)構(gòu)優(yōu)化如何設(shè)計(jì)出口的數(shù)量與位置？步驟3：出口數(shù)量、位置選擇根據(jù)出口優(yōu)先級(jí)，采用貪心法取前N個(gè)出口進(jìn)行 構(gòu)建分支網(wǎng)絡(luò)，當(dāng)總計(jì)算成本達(dá)到最小值，此時(shí) 的N個(gè)出口作為最佳方案。N 1j 1N arg min (1 p)tj N1,M 1 j 1 第j-1層的出 口仍未退出 的概率第j層的出口的計(jì)算時(shí)間CONVCONVCO

15、NVFCCONVCONVFCCONVFCCONVbaselineP 100%tbaselineP2 , t211P , td出口深度出口的退出率出口的計(jì)算時(shí)間MDNN的最大深度在線推斷優(yōu)化技術(shù) 模型結(jié)構(gòu)優(yōu)化939291908988870.06.48.0012345Accuracy(%)Runtime(ms)6789101112Value of NConv 1Conv 2Conv jConv 13FC 1FC 2FC jFCExit 1Exit 2Exit mExit j (Exit Rate)多出口的VGGNet模型N的不同取值對(duì)總體準(zhǔn)確率與計(jì)算時(shí)間的影響以VGGNet為例，

16、尋找耗時(shí)最短且保證精度的N值，確定出口位置與數(shù)量N取3時(shí)，滿足要求準(zhǔn)確率損失1%的前提下，針對(duì)VGG16的最佳出口設(shè)置可實(shí)現(xiàn)3x加速比在線推斷優(yōu)化技術(shù) 模型切分與任務(wù)卸載 CONVCONVCONVFCCONVCONVCONVFCCONV開(kāi)放性問(wèn)題：如何進(jìn)行端邊協(xié)同卸載決策？實(shí)現(xiàn)思路：計(jì)算可壓縮計(jì)算可分割推斷任務(wù)卸載示意圖卸載多模式FC端邊協(xié)同執(zhí)行優(yōu)化單終端單任務(wù)卸載多終端多任務(wù)卸載在線推斷優(yōu)化技術(shù) 模型切分與任務(wù)卸載Neurosurgeon(SIGPLAN17)DDNN(ICDCS17)offlineCouper(SEC19)引入Early-exit，偏系統(tǒng)Edgent(TWC19)引入Ear

17、ly-exit，計(jì)算從邊緣開(kāi)始現(xiàn)有工作在線推斷優(yōu)化技術(shù) 模型切分與任務(wù)卸載（ 單終端單任務(wù)）問(wèn)題：如何動(dòng)態(tài)確定模型的切分位置步驟1：獲取當(dāng)前的網(wǎng)絡(luò)狀態(tài)、邊緣服務(wù)器負(fù)載、終端設(shè)備的性能等。步驟2：根據(jù)當(dāng)前的網(wǎng)絡(luò)環(huán)境和邊緣端的負(fù)載情況，計(jì)算在各切分點(diǎn)的時(shí)間期望，確定當(dāng)前時(shí)刻的模型最佳切分點(diǎn)。BandwidthSystem LoadResponse DelayPartition PointPredictionLocal Device Local CONVCONVCONVFC CONVCONVFCCONVFCCONVEdgeRouterEdge InferenceLocal Inference。在線推

18、斷優(yōu)化技術(shù) 模型切分與任務(wù)卸載（ 單終端單任務(wù)）步驟2：根據(jù)當(dāng)前的網(wǎng)絡(luò)環(huán)境和邊緣端的負(fù)載情況，計(jì)算在各切分點(diǎn)的時(shí)間期望，確定當(dāng)前 時(shí)刻的模型最佳切分點(diǎn)。L層之前在終端上的計(jì)算成本總和L層之后在邊緣服務(wù)器上的計(jì)算成本總和L層處產(chǎn)生的中間數(shù)據(jù)所需的傳輸成本42邊緣系統(tǒng)負(fù)載維持穩(wěn)定時(shí)，自適應(yīng)分布式DNN 推理策略的最優(yōu)切分點(diǎn)會(huì)隨著網(wǎng)絡(luò)環(huán)境的不同 而變化，呈現(xiàn)動(dòng)態(tài)變化趨勢(shì)。單個(gè)任務(wù)的平均完成時(shí)間：與純終端模式相 比，平均加速比為3.8，最大加速比為6.6。3002001000400Cloud-onlyConv2d_1ReLU_2Conv2d_3ReLU_4MaxPool2Conv2d_6ReLU_7C

19、onv2d_8ReLU_9MaxPool2Conv2d_11ReLU_12Conv2d_13ReLU_14Conv2d_15ReLU_16MaxPool2Conv2d_18ReLU_19Conv2d_20ReLU_21Conv2d_22ReLU_23MaxPool2Conv2d_25ReLU_26Conv2d_27ReLU_28Conv2d_29ReLU_30MaxPool2AvgPool_32End-onlyTime(ms)Partition points(after each layer)50Mbps_40ms50Mbps_80ms50Mbps_120ms實(shí)驗(yàn)結(jié)果動(dòng)態(tài)最優(yōu)切分點(diǎn)實(shí)驗(yàn)結(jié)果帶寬

20、變化影響實(shí)驗(yàn)結(jié)果延時(shí)變化影響單個(gè)任務(wù)的平均完成時(shí)間：與純終端相比加速度比平均為1.7, 最大為3。 與純?cè)颇Ｊ较啾燃铀俦绕骄鶠?.2，最大2。與0-1卸載相比平均加速度比為1.1，最大為1.3。邊緣計(jì)算在工業(yè)互聯(lián)網(wǎng)中的嘗試國(guó)家重點(diǎn)研發(fā)計(jì)劃2017年度“云計(jì)算和大數(shù)據(jù)”重點(diǎn)專項(xiàng)項(xiàng)目“面向工業(yè)互聯(lián)網(wǎng)的智能云端協(xié)作關(guān)鍵技術(shù)及系統(tǒng)”項(xiàng)目編號(hào)：2017YFB1003000國(guó)撥經(jīng)費(fèi)：1816萬(wàn)元起止年月：2017/10-2021/09國(guó)家層面首個(gè)面向工業(yè)互聯(lián)網(wǎng)的重大科技項(xiàng)目國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目“工業(yè)互聯(lián)網(wǎng)體系結(jié)構(gòu)及關(guān)鍵技術(shù)研究”項(xiàng)目編號(hào)：61632008國(guó)撥經(jīng)費(fèi)：285萬(wàn)元（直接經(jīng)費(fèi)）起止年月：201

21、7/01-2021/12國(guó)家自然科學(xué)基金委在工業(yè)互聯(lián)網(wǎng)領(lǐng)域的第一個(gè)重點(diǎn)項(xiàng)目面向工業(yè)互聯(lián)網(wǎng)的智能云端協(xié)作關(guān)鍵技術(shù)及系統(tǒng)創(chuàng)新之處：相較于現(xiàn)有的工業(yè)云架構(gòu)，更強(qiáng)調(diào)工業(yè)生產(chǎn)過(guò)程中端與端、云與端之間高效協(xié)同的頂 層設(shè)計(jì)及技術(shù)體系構(gòu)建，全面提升了工業(yè)互聯(lián)網(wǎng)中智能云端的深度協(xié)作、高度融合。難點(diǎn)問(wèn)題：云端協(xié)作程度低、實(shí)時(shí)通信難，導(dǎo)致工業(yè)互聯(lián)網(wǎng)中復(fù)雜化環(huán)境感知難、異質(zhì)化終端互聯(lián)難、 網(wǎng)絡(luò)化數(shù)據(jù)分析難、柔性化生產(chǎn)控制難。解決方法：提出新型工業(yè)互聯(lián)網(wǎng)云端融合體系結(jié)構(gòu)模型，建立邊緣計(jì)算模式下人機(jī)物融合的工業(yè)互聯(lián) 網(wǎng)技術(shù)體系，構(gòu)建基于“智感、效聯(lián)、迅知、諧控”的智能云端協(xié)作平臺(tái)。核心關(guān)鍵技術(shù)之一： 大數(shù)據(jù)傳算適配與反饋

22、控制內(nèi)容基于獨(dú)立服務(wù)的彈性管理，實(shí)現(xiàn)傳算協(xié)同與反饋控制基于模型訓(xùn)練與實(shí)時(shí)動(dòng)態(tài)排產(chǎn)調(diào)度，指導(dǎo)企業(yè)接單及生產(chǎn)流程傳算配置資源池監(jiān)控 生產(chǎn)控制監(jiān)控資源狀態(tài)信息，解耦應(yīng)用與物理設(shè)備的關(guān)聯(lián)智能工廠智能排產(chǎn)智能物流基于SDN的動(dòng)態(tài)傳算網(wǎng)絡(luò)集中控制與靈活計(jì)算能力結(jié)合基于SDN方法實(shí)現(xiàn)網(wǎng)絡(luò)的集中控制和路由動(dòng)態(tài)調(diào)度通過(guò)docker技術(shù)提供輕量級(jí)，靈活部署的計(jì)算能力動(dòng)態(tài)傳輸和靈活計(jì)算相互結(jié)合實(shí)現(xiàn)完整的傳算網(wǎng)絡(luò)Docker+微服務(wù)架構(gòu)網(wǎng)絡(luò)控制層數(shù)據(jù)轉(zhuǎn)發(fā)和處理層 感知層應(yīng)用層通過(guò)控制器下發(fā)流表的 形式，實(shí)現(xiàn)動(dòng)態(tài)的網(wǎng)絡(luò) 路由;將封裝好的docker容器部署到SDN交換機(jī)上，實(shí)現(xiàn)邊傳邊算功能。面向工業(yè)互聯(lián)網(wǎng)的智能云端協(xié)作

23、平臺(tái)項(xiàng)目組研發(fā)了工業(yè)互聯(lián)網(wǎng)智能云端協(xié)作平臺(tái)，實(shí)現(xiàn)了設(shè)備、數(shù)據(jù)、服務(wù)、用戶管 理等基礎(chǔ)功能以及智感、效聯(lián)、迅知協(xié)控等關(guān)鍵核心組件。平臺(tái)部署在江蘇南鋼集團(tuán)寬厚板廠，已匯聚8433個(gè)設(shè)備，14PB數(shù)據(jù)，1615余用戶的數(shù)據(jù)信息。通過(guò)智感技術(shù)感知人員、機(jī)器、物料的狀態(tài)等信息；通過(guò)效聯(lián)技 術(shù)支持異構(gòu)終端互聯(lián)；通過(guò)迅知諧控技術(shù)配置傳算過(guò)程，實(shí)現(xiàn)更好地感知、互聯(lián) 和計(jì)算。為南鋼智能云排產(chǎn)與富士康智能云物流等應(yīng)用提供平臺(tái)支撐。面向工業(yè)互聯(lián)網(wǎng)的智能云端協(xié)作平臺(tái)項(xiàng)目組研發(fā)了工業(yè)互聯(lián)網(wǎng)智能云端協(xié)作平臺(tái)，實(shí)現(xiàn)了設(shè)備、數(shù)據(jù)、服務(wù)、用戶管 理等基礎(chǔ)功能以及智感、效聯(lián)、迅知協(xié)控等關(guān)鍵核心組件。平臺(tái)部署在江蘇南鋼集團(tuán)寬厚板廠

24、，已匯聚8433個(gè)設(shè)備，14PB數(shù)據(jù)，1615余用戶的數(shù)據(jù)信息。通過(guò)智感技術(shù)感知人員、機(jī)器、物料的狀態(tài)等信息；通過(guò)效聯(lián)技 術(shù)支持異構(gòu)終端互聯(lián)；通過(guò)迅知諧控技術(shù)配置傳算過(guò)程，實(shí)現(xiàn)更好地感知、互聯(lián) 和計(jì)算。為南鋼智能云排產(chǎn)與富士康智能云物流等應(yīng)用提供平臺(tái)支撐。南鋼智能云排產(chǎn)系統(tǒng)智能監(jiān)控：實(shí)現(xiàn)對(duì)重點(diǎn)設(shè)備運(yùn)行情況進(jìn)行 狀態(tài)在線監(jiān)測(cè)，涵蓋設(shè)備生命周期全過(guò)程 管理，為其他模塊提供數(shù)據(jù)級(jí)的基礎(chǔ)產(chǎn)能預(yù)測(cè)：以數(shù)據(jù)統(tǒng)計(jì)、數(shù)據(jù)挖掘、數(shù)據(jù) 分析為理論背景，根據(jù)歷史實(shí)際產(chǎn)能信息， 綜合考慮現(xiàn)有訂單信息和其他模塊提供的 設(shè)備停修信息，按月、旬預(yù)測(cè)產(chǎn)能智能訂單計(jì)劃排程：結(jié)合產(chǎn)能預(yù)測(cè)信息實(shí) 現(xiàn)生產(chǎn)訂單計(jì)劃智能排程智能云排產(chǎn)系統(tǒng)：基于設(shè)備監(jiān)控、產(chǎn)能預(yù) 測(cè)以及訂單排程等信息進(jìn)行輥期排產(chǎn)系統(tǒng)體系架構(gòu)生產(chǎn)制造倉(cāng)儲(chǔ)物流訂單管理工業(yè)生產(chǎn)流程物云端協(xié)作 柔性處理生產(chǎn)場(chǎng)景 協(xié)同感知異構(gòu)網(wǎng)絡(luò)高效互聯(lián)云端協(xié)作系統(tǒng)平臺(tái)人機(jī)南鋼智能云排產(chǎn)系統(tǒng)智能監(jiān)控輸入：基于非傳感器感知技術(shù)和傳感器感知技術(shù)的設(shè)備狀態(tài)信息。輸出：設(shè)備健康狀況效果：通過(guò)對(duì)設(shè)備狀態(tài)的感知、分析與預(yù)測(cè)，實(shí)現(xiàn)基于工業(yè)互聯(lián)網(wǎng)平臺(tái)的設(shè)備 健康狀況的獲取。設(shè)備狀態(tài)監(jiān)控設(shè)備故障預(yù)測(cè)南鋼智能云排產(chǎn)系統(tǒng)產(chǎn)能預(yù)測(cè)輸入：接單庫(kù)存整修信息與歷史實(shí)際產(chǎn)能。輸出：預(yù)計(jì)訂單與產(chǎn)能