CN109889592B - 一种基于边缘计算的智能制造方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于边缘计算的智能制造方法及装置，其中，所属方法，应用于智能网关，所述方法包括：获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作。

Description

一种基于边缘计算的智能制造方法及装置

技术领域

本发明涉及工业物联网(Industrial Internet of Things，简称IIoT)技术领域，特别是涉及一种基于边缘计算的智能制造方法及装置。

背景技术

物联网(Internet of Things，简称IoT)在工业领域的应用改变了传统制造业的运作方式，伴随着大量的数据采集设备和动作执行设备进入工业制造环境，智能制造对工业系统的实时性、智能性和灵活性都提出了更高的要求，作为支撑智能制造的一套使能技术体系，IIoT应运而生。

目前IIoT中智能制造的实现过程包括数据感知功能、任务计算功能、生产控制功能和泛在通信功能等部分。其中，数据感知功能主要是由传感器完成的，任务计算功能是由边缘服务器或云服务器完成的，生产控制功能是由控制中心完成的，控制中心所需的指令可以是机器自动生成的指令，也可以是人工输入的指令，设备之间的通信方式可以是无线通信，也可以是有线通信，或者混合通信比如采用无线和有线两者。

由于任务计算功能是由边缘服务器或云服务器完成，并且边缘服务器或云服务器还处理其他任务，因此这样会造成边缘服务器或云服务器单独处理的任务计算量比较大，影响任务处理的速度，也会增加边缘服务器或云服务器的运行负荷。

发明内容

本发明实施例的目的在于提供一种基于边缘计算的智能制造方法及装置，用以解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题。具体技术方案如下：

第一方面，本发明实施提供了一种基于边缘计算的智能制造方法，其特征在于，应用于智能网关，所述方法包括：

获取由不同数据采集设备采集的工业数据；

对所述工业数据进行预处理，得到重构数据；

将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作。

进一步的，所述方法还包括：

确定所述第一数据分析结果未达到预设条件的情况下，将所述第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

进一步的，所述方法还包括：

确定所述第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤所述第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

进一步的，所述确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，包括：

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并根据所述最终分析结果中的数据操作设备的标识，判断所述最终分析结果是否需要所述智能网关覆盖范围内的数据操作设备执行；

若判定所述最终分析结果不需要所述智能网关覆盖范围内的数据操作设备执行，则将所述最终分析结果发送至其他智能网关，所述其他智能网关覆盖范围内的数据操作设备的标识包含所述数据操作设备的标识；由所述其他智能网关将所述最终数据分析结果发送至所述数据操作设备。

进一步的，所述对所述工业数据进行预处理，得到重构数据，包括：

对所述工业数据分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维，得到重构数据。

第二方面，本发明实施提供了一种基于边缘计算的智能制造方法，应用于边缘服务器，所述方法包括：

接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的，所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

第三方面，本发明实施提供了一种基于边缘计算的智能制造装置，应用于智能网关，所述装置包括：

第一获取模块，用于获取由不同数据采集设备采集的工业数据；

第一处理模块，用于对所述工业数据进行预处理，得到重构数据；

第二处理模块，用于将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

第三处理模块，用于确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作。

进一步的，所述装置还包括：

第四处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，将所述第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

进一步的，所述装置还包括：

第五处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤所述第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

第四方面，本发明实施提供了一种基于边缘计算的智能制造装置，应用于边缘服务器，所述装置包括：

接收模块，用于接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的，所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

第六处理模块，用于将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

第七处理模块，用于将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

本发明实施例提供的一种基于边缘计算的智能制造方法，获取由不同数据采集设备采集的工业数据；对工业数据进行预处理，得到重构数据；将重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用第一卷积神经网络进行数据分析，得到第一数据分析结果；确定第一数据分析结果达到预设条件的情况下，将第一数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至数据操作设备，由数据操作设备根据最终数据分析结果生成指令并根据指令执行动作。

由此可见，利用智能网关对工业数据进行处理，相较于现有技术，边缘服务器或云服务器的单独处理任务，这样任务被分流至智能网关，会减少边缘服务器或云服务器处理的任务计算量，提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

本发明实施例提供的一种基于边缘计算的智能制造方法，接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的，所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

由此可见，由智能网关处理一部分数据之后，再利用边缘服务器处理其余部分数据，相较于现有技术中由边缘服务器单独处理任务，会减少边缘服务器的任务计算量，不再由云服务单独处理这部分数据，也会减少云服务器处理的任务计算量，利用智能网关和边缘服务器分流来处理任务，还可以提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的应用于智能网关中基于边缘计算的智能制造方法的第一流程示意图；

图2为本发明实施例的基于边缘计算的工业物联网架构示意图；

图3为本发明实施例的预处理的实现示意图；

图4为本发明实施例提供的应用于智能网关中基于边缘计算的智能制造方法的第二流程示意图；

图5为本发明实施例提供的应用于智能网关中基于边缘计算的智能制造方法的第三流程示意图；

图6为本发明实施例的基于边缘计算的智能制造方法的具体实现示意图；

图7为本发明实施例的分层的边缘计算域设备部署与连接的示意图；

图8为本发明实施例提供的应用于边缘服务器中基于边缘计算的智能制造方法的流程示意图；

图9为本发明实施例的应用于智能网关中基于边缘计算的智能制造装置的结构示意图；

图10为本发明实施例的应用于边缘服务器中基于边缘计算的智能制造装置的结构示意图；

图11为本发明实施例提供的智能网关的结构示意图；

图12为本发明实施例提供的边缘服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，本发明实施例提供一种基于边缘计算的智能制造方法及装置，可以利用智能网关对工业数据进行处理，相较于现有技术，边缘服务器或云服务器的单独处理任务，这样任务被分流至智能网关，会减少边缘服务器或云服务器处理的任务计算量，提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

下面首先对本发明实施例提供的一种基于边缘计算的智能制造方法进行介绍。

第一方面，为了解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，可以从智能网关的角度，本发明实施例提供了一种基于边缘计算的智能制造方法进行介绍。

如图1所示，本发明实施例所提供的一种基于边缘计算的智能制造方法，应用于智能网关，该方法可以包括如下步骤：

步骤110，获取由不同数据采集设备采集的工业数据。

其中，工业数据可以是指这些不同数据采集设备各自在工业物联网中的工业环境采集到的数据。这些不同数据采集设备用于采集工业数据，这些不同数据采集设备可以是异构设备，也可以是同构设备，比如，传感器和摄像头，在此不一一举例。这些不同数据采集设备可以包含用于感知工业环境中产品的所处外界信息的感知设备，比如传感器，进一步的，传感器为温度传感器、湿度传感器、重力传感器等，产品可以是指工业物联网中所需处理的设备。通过上述传感器及摄像头等不同数据采集设备，可以采集到的工业数据，包含：产品的信息和产品的图像等多维度的工业数据，产品的信息包含：产品的温度、湿度、重力；产品的图像包含：外观、位置和姿态。通过这些多维度的工业数据，实现工业环境的实时监控。

为了能够获取到工业数据，本步骤110进一步但不限于包括：接收由不同数据采集设备发送的工业数据，其中工业数据是由不同数据采集设备采集的工业数据，工业数据比如为产品的信息和产品的图像。具体本步骤110接收工业数据的接收方式可以但不限于是：通过有线通信的方式或无线通信的方式接收由不同数据采集设备发送的工业数据。这样可以实现这些不同数据采集设备与所覆盖的智能网关进行通信。参见图2所示，有线通信的方式可以但不限于为：光纤通信等；无线通信的方式可以但不限于为：WiFi通信、ZigBee通信、蓝牙通信等，在此不再一一举例，任何能够实现无线通信的方式，均属于本发明实施例的保护范围。其中，ZigBee是基于IEEE802.15.4标准的低功耗局域网协议。

其中上述的智能网关可以是指边缘计算层中的边缘网关。所有属于上述图2中的边缘计算域的设备都由工厂自己部署与管理，该边缘计算域有一个完整的工作机制，即使没有连接云域，边缘计算域中的设备也可以正常运行。边缘服务器还负责从云域中获取优化的配置信息，以更新深度学习模型，保证其时效性。为引入分层机制与有效地部署设备，可以将边缘服务器所在的域，称为边缘计算域，参见图2所示。并将边缘计算域被划分为设备层、边缘层和计算层。

随着物联网设备在工业环境中的大规模部署，传感器和摄像头采集的数据量不断增大。在本发明实施例所提工业物联网架构中，上述图2中的云域负责进一步地收集和处理来自各行各业的数据。因此，为了获取更多的、有价值的、综合的信息，在该云域中可以采用一些高级的数据分析方法，例如机器学习、语义引擎、数据挖掘和模型构建等技术。

以及，上述图2中的服务域通过从工业大数据中提取隐藏的、有价值的信息和知识，进一步为人类社会和经济活动提供丰富多样的服务，从而提高各个领域的运行效率，可以大大提高整个经济社会的集约化程度。因此，为各行各业提供智能服务是服务域的核心价值。

各智能网关可以用于不同数据采集设备与边缘服务器之间进行通信，并且，各智能网关都具有覆盖范围，各智能网关都可以与覆盖范围内的不同数据采集设备进行通信，并且各智能网关也可以与其他智能网关进行通信。不仅仅限于其他智能网关和不同数据采集设备，只要各智能网关能够连接的设备，均能够与这个智能网关进行通信，其他智能网关是指除这个智能网关以外的其他智能网关。

步骤120，对工业数据进行预处理，得到重构数据。

本步骤120中，对工业数据进行预处理，用于选出智能网关中的第一卷积神经网络的后续需要处理的数据，过滤掉不必要的数据，这样可以避免处理所有接收到数据，减少智能网关的处理负荷，也可以减少带宽消耗、缓解网络拥塞。

本步骤120进一步包括：对工业数据分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维，得到重构数据。其中，每个工业数据均进行上述预处理，而数据清洗、数据转换、数据格式规范、特征提取的处理顺序不做限定，但是多维数据融合、数据降维分别处于数据清洗、数据转换、数据格式规范、特征提取之后，多维数据融合、数据降维的处理顺序也不作限定。其中上述预处理的过程示例性如图3所示的过程。这样数据预处理可以减少上传的冗余数据，保障数据的有效性和新鲜性，并且可以减少智能网关与边缘服务器的计算负载，从而缩短计算时延、节省网络带宽和降低系统能耗。

其中，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。数据清洗主要对四类异常数据进行处理，这四类异常数据分别是缺失值(missing value)，异常值(离群点)，去重处理(Duplicate Data)以及噪音数据的处理。

数据转换是将数据从一种表示形式变为另一种表现形式的过程。数据转换方法主要有对数转换、平方根转换、平方根反正弦转换、平方转换、倒数变换等。

数据格式规范为数字和字母数据值指定格式。特征提取是从原始特征中找出最有效(同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性)的特征。多维数据融合是对多维数据进行自动关联匹配。数据降维就是指将原高维空间中的数据点映射到低维度的空间中。具体实现数据格式规范的方法、特征提取的方法、多维数据融合的方法，数据降维的方法，在此不做限定。

步骤130，将重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用第一卷积神经网络进行数据分析，得到第一数据分析结果。

其中，第一数据分析结果可以是指利用智能网关中已训练的第一卷积神经网络，对重构数据进行数据分析所得到结果。第一数据分析结果中的“第一”与第二数据分析结果中的“第二”，只是为了区分，不做顺序上的限制。

本步骤130中的第一卷积神经网络设置在智能网关中，这个第一卷积神经网络可以是在智能网关中已训练生成的，也可以是在云服务器中训练生成的，然后智能网关从云服务器中获取到已训练好的第一卷积神经网络，作为智能网关中的第一卷积神经网络。由于云服务可以获取不同大量数据，因此训练的样本也比较多，同时云服务的计算能力也比较强，因此训练好的第一卷积神经网络也更加准确。

根据不同的使用场景，选择不同的训练样本进行训练。具体采用如下步骤，得到已训练第一卷积神经网络：

获取训练样本集；将训练样本集作为待训练模型的输入，利用待训练模型进行训练，得到已训练第一卷积神经网络。其中，待训练模型可以是指未训练过的模型，也可以是经过已训练过的模型，可以再次训练，实现数据更新。

比如以工业环境下产品分类的使用场景为例进行说明。具体采用如下步骤，得到已训练第一卷积神经网络的实现过程如下：

获取已标注类别的样本，所述已标注类别的样本包含：已标注为各自样本类别的样本；这些样本类别可以是根据用户需求进行设置的；

将样本类别以及所述已标注类别的样本作为训练样本集；

将训练样本集作为待训练模型的输入，利用待训练模型进行训练，得到已训练第一卷积神经网络。

步骤140，确定第一数据分析结果达到预设条件的情况下，将第一数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至数据操作设备，由数据操作设备根据最终数据分析结果生成指令并根据指令执行动作。上述数据操作设备可以是用于根据最终数据分析结果生成指令并根据指令执行动作的设备。数据操作设备比如机器人或机械臂。

本步骤140中不同的工业物联网场景的预设条件应该是不同的，具体根据实际应用场景决定，在此不做限定。此处以工业环境下产品分类为例，该预设条件可以是将每个产品分为不同类别的概率。比如，预设条件可以但不限于为，产品的概率是否大于预设阈值，其中预设阈值可以是根据用户需求进行设置的。该预设条件的作用可以是辅助判断是否需要将智能网关所得的第一数据分析结果作为最终数据分析结果进行输出。若第一数据分析结果能满足预设条件，则无需上传数据至边缘服务器，从而减少计算时延、节省网络带宽和降低系统能耗。

对于由数据操作设备根据最终数据分析结果生成指令，这些指令之间可能存在优先级顺序，这些数据操作设备可以根据优先级顺序，执行指令完成相应的动作。

为了能够准确地由数据操作设备生成指令并根据指令执行动作，本步骤140将最终数据分析结果发送至数据操作设备，进一步包括：

第1401步骤，确定第一数据分析结果达到预设条件的情况下，将第一数据分析结果作为最终数据分析结果，并根据最终分析结果中的数据操作设备的标识。

这些数据操作设备的标识可以是根据用户需要预先设置的，这些数据操作设备的标识可以预先存储在数据库中，方便后期直接使用判断。这些标识可以是字符或数字，在此不做限定。

第1402步骤，判断最终分析结果是否需要智能网关覆盖范围内的数据操作设备执行，如果判定最终分析结果不需要智能网关覆盖范围内的数据操作设备执行，则执行第1402步骤；如果判定最终分析结果需要智能网关覆盖范围内的数据操作设备执行，则执行第1403步骤。

上述第1402步骤，判断最终分析结果是否需要智能网关覆盖范围内的数据操作设备执行进一步包括：判断最终分析结果中的数据操作设备的标识是否属于需要智能网关覆盖范围内的数据操作设备的标识，如果最终分析结果中的数据操作设备的标识是属于需要智能网关覆盖范围内的数据操作设备的标识，则判断最终分析结果需要智能网关覆盖范围内的数据操作设备执行；如果最终分析结果中的数据操作设备的标识不属于需要智能网关覆盖范围内的数据操作设备的标识，则判断最终分析结果不需要智能网关覆盖范围内的数据操作设备执行。这样可以实现不同覆盖范围的智能网关设备之间的通信。

第1402步骤，将最终分析结果发送至其他智能网关，其他智能网关覆盖范围内的数据操作设备的标识包含数据操作设备的标识；由其他智能网关将最终数据分析结果发送至数据操作设备。

第1403步骤，直接将最终数据分析结果发送至智能网关覆盖范围内的数据操作设备。

本发明实施例中，可以利用智能网关对工业数据进行处理，利用智能网关输出的第一数据分析结果后续可以更加快速地生成指令，从而减少设备执行动作所需要的时间开销。相较于现有技术，边缘服务器或云服务器的单独处理任务，这样任务被分流至智能网关，会减少边缘服务器或云服务器处理的任务计算量，提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

结合图1，参见图4所示，本发明实施例还提供一种基于边缘计算的智能制造方法，在步骤130之后，所述方法还包括：

步骤131，判断第一数据分析结果是否达到预设条件，如果确定第一数据分析结果未达到预设条件，则执行步骤141；如果确定第一数据分析结果达到预设条件，则执行步骤140；

步骤141，将第一数据分析结果发送至边缘服务器，由边缘服务器将第一数据分析结果作为边缘服务器中已训练的第二卷积神经网络的输入，利用第二卷积神经网络进行数据分析，得到第二数据分析结果；并将第二数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至智能网关。

其中，第二数据分析结果可以是指利用边缘服务器中已训练的第二卷积神经网络，对第一数据分析结果进行数据分析所得到结果。

本步骤141中的已训练的第二卷积神经网络的确定方式，与上述步骤130中的已训练的第一卷积神经网络的确定方式，除本步骤141以训练第二卷积神经网络所需的样本作为处理对象，而上述步骤130以训练第一卷积神经网络所需的样本作为处理对象，两者处理对象不同以外，以及训练方法不同以外，本步骤141的已训练的第二卷积神经网络的确定方式的过程与上述步骤130的已训练的第一卷积神经网络的确定方式的过程相同，均可参照上述步骤130的已训练的第一卷积神经网络的确定方式，在此不再赘述。

步骤142，将最终数据分析结果发送至数据操作设备。

智能网关利用第一卷积神经网络得到第一数据分析结果，被存储在智能网关中，并且在确定第一数据分析结果未达到预设条件的情况下，将第一数据分析结果发送至边缘服务器，因此可以将第一卷积神经网络称为底层神经网络，将第二卷积神经网络称为高层神经网络，将第二数据分析结果存储在边缘服务器中。由于边缘服务器本身具有单独的计算设备，这个计算设备的计算能力相较于智能网关更加强大。

本发明实施例中，由智能网关处理一部分数据之后，再利用边缘服务器处理其余部分数据，相较于现有技术中由边缘服务器单独处理任务，会减少边缘服务器的任务计算量，不再由云服务单独处理这部分数据，也会减少云服务器处理的任务计算量，利用智能网关和边缘服务器分流来处理任务，还可以提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

结合图1，参见图5所示，本发明实施例还提供一种基于边缘计算的智能制造方法，在步骤130之后，所述方法还包括：

步骤132，判断第一数据分析结果是否达到预设条件，如果确定第一数据分析结果未达到预设条件，则执行步骤143；如果确定第一数据分析结果达到预设条件，则执行步骤140；

步骤143，通过数据过滤的方式过滤第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由边缘服务器将过滤后的第一数据分析结果作为边缘服务器中已训练的第二卷积神经网络的输入，利用第二卷积神经网络进行数据分析，得到第二数据分析结果；并将第二数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至智能网关。

步骤144，将最终数据分析结果发送至数据操作设备。

本发明实施例中，智能网关过滤掉边缘服务器中已训练的第二卷积神经网络不必要的数据，这样可以避免边缘服务器中已训练的第二卷积神经网络处理所有接收到数据，减少边缘服务器的处理负荷，也可以减少带宽消耗、缓解网络拥塞。

本发明实施例的具体举例如下：

在工业物联网中的智能工厂中，传送带以及周围中都有许多刚性物体。为了操纵目标或避开障碍物，机器人或机器臂需要正确获取物体的位置和姿态。因此，本发明实施例将所提的智能制造方法与物体的位置检测和姿态估计相结合，以说明本发明实施例所提方案在降低时延方面的有效性。

如图6和图7所示，用于物体检测和姿态估计的卷积神经网络被分成两部分，这两部分分别是已训练第一卷积神经网络，以及已训练第二卷积神经网络，已训练第一卷积神经网络存储在边缘计算层所划分的边缘层中，以及已训练第二卷积神经网络存储在边缘计算层所划分的计算层中。

边缘层主要包含智能网关，而计算层主要包含边缘服务器，不同数据采集设备，以及数据操作设备等设备主要是处于设备层。这些不同数据采集设备及数据操作设备会与各自被覆盖的智能网关进行通信，边缘服务器可以通过智能网关分别与数据采集设备及数据操作设备之间进行通信。

本发明实施例中的卷积神经网络可以是一个六层的卷积神经网络，已训练第一卷积神经网络位于边缘层的智能网关中，并且第一卷积神经网络包含卷积层L1、卷积层L2和卷积层L3；已训练第二卷积神经网络位于计算层的边缘服务器，并且第二卷积神经网络包含卷积层L4、卷积层L5和卷积层L6。

如果第一卷积神经网络通过特征提取所获得的第一数据分析结果达到预设条件，也就是第一数据分析结果满足高于预设阈值，则将第一数据分析结果发送给机器人或机械臂；如果第一数据分析结果未达到预设条件，也就是第一数据分析结果满足不高于预设阈值，智能网关将上传第一数据分析结果给第二卷积神经网络，由第二卷积神经网络确定最终数据分析结果，以计算更准确的最终结果。

比如以工业环境下产品分类的使用场景为例进行举例。假设产品的类别为A类和B类这两大类，预设条件可以为分类的概率大于预设阈值，比如预设阈值可以是70％。对第一产品，通过第一卷积神经网络确定分类为A类的分类概率是80％，确定分类为B类的分类概率是20％，那么第一产品的A类的分类概率是80％大于70％，则第一数据分析结果为第一产品为A类，将这个第一数据分析结果作为最终数据分析结果发送给机器人或机械臂，由机器人或机械臂根据最终数据分析结果生成指令并根据指令执行分类。

对第二产品，通过第一卷积神经网络确定分类为A类的分类概率是60％，确定分类为B类的分类概率是40％，那么第二产品的A类的分类概率以及B类的分类概率均不大于70％，则将这个第一数据分析结果发送给第二卷积神经网络，由第二卷积神经网络确定最终数据分析结果，最终数据分析结果可以分析出第二产品是A类或者是B类；由边缘服务器发送这个最终数据分析结果至智能网关；智能网关将最终数据分析结果发送机器人或机械臂，由机器人或机械臂根据最终数据分析结果生成指令并根据指令执行分类。

第二方面，为了解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，可以从边缘服务器进行说明，本发明实施例提供了基于边缘计算的智能制造方法进行介绍。

如图8所示，本发明实施例所提供的一种基于边缘计算的智能制造方法，应用于智能网关，该方法可以包括如下步骤：

步骤210，接收第一数据分析结果或接收过滤后的第一数据分析结果，第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤第一数据分析结果得到的，第一数据分析结果是通过智能网关获取由不同数据采集设备采集的工业数据；对工业数据进行预处理，得到重构数据；将重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用第一卷积神经网络进行数据分析得到的。

其中，具体的第一数据分析结果的实现过程，在第一方面的实施例中有具体描述，在此不再赘述。

步骤220，将第一数据分析结果作为边缘服务器中已训练的第二卷积神经网络的输入，利用第二卷积神经网络进行数据分析，得到第二数据分析结果。

步骤230，将第二数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至数据操作设备。

本发明实施例中，由智能网关处理一部分数据之后，得到第一数据分析结果，再利用边缘服务器分析第一数据分析结果，得到第二数据分析结果，相较于现有技术中由边缘服务器单独处理任务，会减少边缘服务器的任务计算量，不再由云服务单独处理这部分数据，也会减少云服务器处理的任务计算量，利用智能网关和边缘服务器分流来处理任务，还可以提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

第三方面，下面继续对本发明实施例提供的一种基于边缘计算的智能制造装置进行介绍。

如图9所示，本发明实施例还提供一种基于边缘计算的智能制造装置，应用于智能网关，所述装置包括：

第一获取模块31，用于获取由不同数据采集设备采集的工业数据；

第一处理模块32，用于对所述工业数据进行预处理，得到重构数据；

第二处理模块33，用于将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

第三处理模块34，用于确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作。

本发明实施例中，智能网关过滤掉边缘服务器中已训练的第二卷积神经网络不必要的数据，这样可以避免边缘服务器中已训练的第二卷积神经网络处理所有接收到数据，减少边缘服务器的处理负荷，也可以减少带宽消耗、缓解网络拥塞。

进一步的，所述装置还包括：

第四处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，将所述第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

进一步的，所述装置还包括：

第五处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤所述第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；

将所述最终数据分析结果发送至数据操作设备。

进一步的，所述第三处理模块，用于：

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并根据所述最终分析结果中的数据操作设备的标识，判断所述最终分析结果是否需要所述智能网关覆盖范围内的数据操作设备执行；

若判定所述最终分析结果不需要所述智能网关覆盖范围内的数据操作设备执行，则将所述最终分析结果发送至其他智能网关，所述其他智能网关覆盖范围内的数据操作设备的标识包含所述数据操作设备的标识；由所述其他智能网关将所述最终数据分析结果发送至所述数据操作设备。

进一步的，所述第一处理模块，用于：

对所述工业数据分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维，得到重构数据。

第四方面，下面继续对本发明实施例提供的一种基于边缘计算的智能制造装置进行介绍。

如图10所示，本发明实施例还提供一种基于边缘计算的智能制造装置，应用于边缘服务器，所述装置包括：

接收模块41，用于接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的，所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

第六处理模块42，用于将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

第七处理模块43，用于将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

本发明实施例中，由智能网关处理一部分数据之后，得到第一数据分析结果，再利用边缘服务器分析第一数据分析结果，得到第二数据分析结果，相较于现有技术中由边缘服务器单独处理任务，会减少边缘服务器的任务计算量，不再由云服务单独处理这部分数据，也会减少云服务器处理的任务计算量，利用智能网关和边缘服务器分流来处理任务，还可以提高边缘服务器或云服务器任务处理的速度，也会减少边缘服务器或云服务器的运行负荷。

第五方面，为了解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，可以从基于边缘计算的智能制造系统进行说明，本发明实施例提供了基于边缘计算的智能制造方法进行介绍。

本发明实施例提供了一种基于边缘计算的智能制造方法，包括：

智能网关获取由不同数据采集设备采集的工业数据；对工业数据进行预处理，得到重构数据；将重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用第一卷积神经网络进行数据分析，得到第一数据分析结果；确定第一数据分析结果达到预设条件的情况下，将第一数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至数据操作设备，由数据操作设备根据最终数据分析结果生成指令并根据指令执行动作。

智能网关确定第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器；

边缘服务器将过滤后的第一数据分析结果作为边缘服务器中已训练的第二卷积神经网络的输入，利用第二卷积神经网络进行数据分析，得到第二数据分析结果；并将第二数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至智能网关；

智能网关将最终数据分析结果发送至数据操作设备。

本发明实施例还提供了一种基于边缘计算的智能制造方法，包括：

智能网关获取由不同数据采集设备采集的工业数据；对工业数据进行预处理，得到重构数据；将重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用第一卷积神经网络进行数据分析，得到第一数据分析结果；确定第一数据分析结果达到预设条件的情况下，将第一数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至数据操作设备，由数据操作设备根据最终数据分析结果生成指令并根据指令执行动作。

智能网关确定第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由边缘服务器将过滤后的第一数据分析结果作为边缘服务器中已训练的第二卷积神经网络的输入，利用第二卷积神经网络进行数据分析，得到第二数据分析结果；并将第二数据分析结果作为最终数据分析结果，并将最终数据分析结果发送至智能网关；

智能网关将最终数据分析结果发送至数据操作设备。

对于应用于基于边缘计算的智能制造系统的方法实施例而言，由于其基本相似于第一方面的方法实施例，所以描述的比较简单，相关之处参见第一方面的方法实施例的部分说明即可。

第六方面，为了解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，下面继续对本发明实施例提供的智能网关进行介绍。

本发明实施例还提供了一种智能网关，如图11所示，包括处理器51、通信接口52、存储器53和通信总线54，其中，处理器51，通信接口52，存储器53通过通信总线54完成相互间的通信，

存储器53，用于存放计算机程序；

处理器51，用于执行存储器53上所存放的程序时，实现如下步骤：

获取由不同数据采集设备采集的工业数据；

对所述工业数据进行预处理，得到重构数据；

将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作。

第七方面，为了解决现有技术中造成边缘服务器或云服务器单独处理的任务计算量比较大，影响边缘服务器或云服务器的任务处理的速度，也会增加边缘服务器或云服务器的运行负荷的技术问题，下面继续对本发明实施例提供的智能网关进行介绍。

本发明实施例还提供了一种边缘服务器，如图12所示，包括处理器61、通信接口62、存储器63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信，

存储器63，用于存放计算机程序；

处理器61，用于执行存储器63上所存放的程序时，实现如下步骤：

接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的，所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据；对所述工业数据进行预处理，得到重构数据；将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

上述智能网关或边缘服务器提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述智能网关或边缘服务器，分别与其他设备之间的通信。

存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

相应于第一方面所示的方法，本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于边缘计算的智能制造方法的步骤。

相应于第二方面所示的方法，本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于边缘计算的智能制造方法的步骤。

相应于第一方面所示的方法，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的基于边缘计算的智能制造方法的步骤。

相应于第二方面所示的方法，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的基于边缘计算的智能制造方法的步骤。

相应于第一方面所示的方法，本发明实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述的基于边缘计算的智能制造方法的步骤。

相应于第二方面所示的方法，本发明实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述的基于边缘计算的智能制造方法的步骤。

对于装置/智能网关/边缘服务器/存储介质/包含指令的计算机程序产品/计算机程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/智能网关/边缘服务器/存储介质/包含指令的计算机程序产品/计算机程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种基于边缘计算的智能制造方法，其特征在于，应用于智能网关，所述方法包括：

获取由不同数据采集设备采集的工业数据；

对所述工业数据进行预处理，得到重构数据；

将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作；其中，所述方法还包括：

确定所述第一数据分析结果未达到预设条件的情况下，将所述第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；将所述最终数据分析结果发送至数据操作设备；或者

确定所述第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤所述第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；将所述最终数据分析结果发送至数据操作设备。

2.如权利要求1所述的方法，其特征在于，所述确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，包括：

确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并根据所述最终数据分析结果中的数据操作设备的标识，判断所述最终数据分析结果是否需要所述智能网关覆盖范围内的数据操作设备执行；

若判定所述最终数据分析结果不需要所述智能网关覆盖范围内的数据操作设备执行，则将所述最终数据分析结果发送至其他智能网关，所述其他智能网关覆盖范围内的数据操作设备的标识包含所述最终数据分析结果中的数据操作设备的标识；由所述其他智能网关将所述最终数据分析结果发送至所述数据操作设备。

3.如权利要求1所述的方法，其特征在于，所述对所述工业数据进行预处理，得到重构数据，包括：

对所述工业数据分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维，得到重构数据。

4.一种基于边缘计算的智能制造方法，其特征在于，应用于边缘服务器，所述方法包括：

接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的；所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据，对所述工业数据进行预处理，得到重构数据，将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

将所述第一数据分析结果或者所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

5.一种基于边缘计算的智能制造装置，其特征在于，应用于智能网关，所述装置包括：

第一获取模块，用于获取由不同数据采集设备采集的工业数据；

第一处理模块，用于对所述工业数据进行预处理，得到重构数据；

第二处理模块，用于将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析，得到第一数据分析结果；

第三处理模块，用于确定所述第一数据分析结果达到预设条件的情况下，将所述第一数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备，由所述数据操作设备根据所述最终数据分析结果生成指令并根据所述指令执行动作；

所述装置还包括：

第四处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，将所述第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；将所述最终数据分析结果发送至数据操作设备；或者

第五处理模块，用于确定所述第一数据分析结果未达到预设条件的情况下，通过数据过滤的方式过滤所述第一数据分析结果，将过滤后的第一数据分析结果发送至边缘服务器，由所述边缘服务器将所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；并将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至所述智能网关；将所述最终数据分析结果发送至数据操作设备。

6.一种基于边缘计算的智能制造装置，其特征在于，应用于边缘服务器，所述装置包括：

接收模块，用于接收第一数据分析结果或接收过滤后的第一数据分析结果，所述第一数据分析结果或者过滤后的第一数据分析结果是由智能网关确定所述第一数据分析结果未达到预设条件的情况下，直接发送的或者通过数据过滤的方式过滤所述第一数据分析结果得到的；所述第一数据分析结果是通过所述智能网关获取由不同数据采集设备采集的工业数据，对所述工业数据进行预处理，得到重构数据，将所述重构数据作为智能网关中已训练的第一卷积神经网络的输入，利用所述第一卷积神经网络进行数据分析得到的；

第六处理模块，用于将所述第一数据分析结果或者所述过滤后的第一数据分析结果作为所述边缘服务器中已训练的第二卷积神经网络的输入，利用所述第二卷积神经网络进行数据分析，得到第二数据分析结果；

第七处理模块，用于将所述第二数据分析结果作为最终数据分析结果，并将所述最终数据分析结果发送至数据操作设备。

Images