CN111160616B - 一种基于边云协同的厨电设备预测性维护系统及方法 - Google Patents

Abstract

本申请提供一种基于边云协同的厨电设备预测性维护系统及方法，所述方法对厨电设备及其工作环境的周期性或持续性检测，获得大量的相关运行情况数据或者环境参数；通过对这些数据进行分析，可以反映厨电设备的运行情况，进一步预测短期一段时间内设备是否会发生故障危险，提前发出预警信息；还可以从长期角度估计设备的剩余使用寿命，从而让居民可以及时对处在危险期的设备进行报废、更换等处理。

Description

一种基于边云协同的厨电设备预测性维护系统及方法

技术领域

本申请涉及边云协同和人工智能领域，具体涉及一种基于边缘计算节点与云平台协同工作，利用深度神经网络分析厨电设备工作数据，预测设备故障的发生和设备剩余预期寿命，从而实现厨电设备的预测性维护的方法。

背景技术

随着我国经济快速发展和人民生活水平的显著提高，居民家中的厨房也开始使用越来越多的厨电设备。厨电设备在给居民带来便利的同时，也存在一定的安全隐患，比如设备的老化、故障，可能会带来包括火灾、触电、有毒气体泄露等危险。

目前，国内市场上存在有不少家居厨房安全监控产品，这些产品大多采用以下的方法保障厨房安全：利用传感器实时采集厨电设备数据，并传输到监控中心。当危险发生导致相关数据超过设定的安全阈值时，控制主机会发出相应的报警信号或自动执行排除危险的安全措施，比如自动切断电源和断开燃气阀门等操作。这类方法具有系统简单、产品成本低的优点，可以在危险发生后取得一定的应急效果。

然而现有技术中的这些方法不能根据厨电设备的历史运行情况提前预测设备的故障和危险的发生。因此该方法可靠性不足，未能及时消除危险源。为了充分保障居民的生命财产安全和提高居民生活水平，迫切需要对居民家居厨电设备进行预测性维护，做到防患之未然。

发明内容

本申请的目的是提出了一种基于边云协同的厨电设备预测性维护系统及方法，用以减小或避免现有的厨房安全系统因可靠性、智能性低而带来的家用厨电设备的故障风险问题。

为了实现上述任务，本申请采用以下技术方案：

一种基于边云协同的厨电设备预测性维护系统，包括传感器网络、边缘计算节点和云平台，其中：

所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点；

所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率；

所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行归回预测分析，输出下一次故障发生的时间和/或厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。

一种基于边云协同的厨电设备预测性维护方法，包括以下步骤：

步骤1，针对不同的厨电设备部署不同类型的传感器以构成传感器网络，利用传感器网络实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据；

步骤2，在传感器网络边缘部署包含数据预处理模块和故障分类预测模块的边缘计算节点；

步骤3，利用云平台中的大数据，训练边缘计算节点的故障分类预测模块所用的深度神经网络以及云平台的回归预测模块所用的深度神经网络，并将故障分类预测模块所用的深度神经网络训练得到的分类预测模型下发给故障分类预测模块，将回归预测模块所用的深度神经网络训练好的回归预测模型传送给回归预测模块；

步骤4，将传感器网络采集到的工作数据传输到边缘计算节点的数据预处理模块，通过数据预处理模块对工作数据进行预处理，包括去噪、滤波、融合，得到标准化的工作数据；

步骤5，将预处理后得到的标准化的工作数据中，短期工作数据传输到边缘计算节点的故障分类预测模块，长期工作数据上传到云平台的回归预测模块；

步骤6，边缘计算节点的故障分类预测模块利用训练得到的分类预测模型，对所述短期工作数据进行分析，分类给出对应的未来一段时间内故障可能发生的概率和故障不会发生的概率，并将得到的故障发生概率和故障不会发生的概率与系统设定的阈值作比较，从而判定厨电设备是否会发生故障；

步骤7，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

进一步地，所述步骤5包括：

所述边缘计算节点具有数据存储功能，边缘计算节点中存储有距当前工作周期一段时间内的经过预处理得到的标准化的工作数据；

在每个工作周期内，根据该周期内获取的工作数据的时间戳，分析计算得到这些工作数据的采集时间点距离当前工作周期的时间，并根据设置的时间阈值，将低于时间阈值的工作数据划分为短期工作数据，传输到边缘计算节点的故障分类预测模块的同时，上传至云平台进行保存；将高于时间阈值的工作数据划分为长期工作数据，上传到云平台的回归预测模块；

上传至云平台保存的短期工作数据，随着时间的增加将逐渐转变为长期工作数据，从而使回归预测模块能利用更多的长期工作数据进行回归预测分析。

进一步地，所述步骤7之前还包括：

云平台的回归预测模块利用训练得到的回归预测模型，对所述长期工作数据进行拟合，得到关于时间的拟合函数，以及得到厨电设备的健康度曲线；

利用所述时间的拟合函数，根据设定的安全阈值，预测出下次故障发生的时间；根据当前厨电设备的工作数据确定当前厨电设备的健康状态，利用所述健康度曲线，通过设定的厨电设备寿命安全警戒值，确定厨电设备的剩余使用寿命。

进一步地，所述步骤7包括：

根据厨电设备是否会发生故障的判定结果、预测的下次故障发生的时间以及厨电设备的使用寿命，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

进一步地，所述判定厨电设备是否会发生故障，包括：

当同时满足以下条件，则可以判定厨电设备不会发生故障：

条件1：故障发生概率低于故障不发生概率；

条件2：故障发生概率低于系统设定的最小故障发生概率阈值；

条件3：故障不发生概率高于系统设定的最小故障不发生概率阈值。

进一步地，所述运行数据包括厨电设备的工作电压、工作电流、已用时长等；工作环境参数数据包括厨电设备的运行温度、环境湿度。

进一步地，所述传感器网络包括布设在厨房内部和厨电上的各类信息采集传感器，包括电压传感器、温度传感器、湿度传感器、能耗传感器。

进一步地，所述深度神经网络包括卷积神经网络CNN、递归神经网络RNN。

进一步地，所述方法采用边云协同的方式进行数据传输，包括长期工作数据从边缘计算节点上传到云平台的过程中的数据传输，以及云平台将训练好的分类预测模型下发给边缘计算节点的过程中的数据传输；在数据传输过程，针对不同用户和不同任务需求，将数据传输过程中的异构数据进行缓存和分发，由此可降低数据传输延迟，提高边云任务调度精度，包括：

在异构数据缓存和分发过程中，利用人工智能技术中的迁移学习方法来实现对内容流行度的预测：

以同一时间段的内容访问特征为指标，利用基于深度学习的分类方法进行分类，再利用迁移学习的方法来提高内容流行度数值的预测精度：

其中，在时间段[t，t+Δt]内第m个目标域中的流行度预测值可以表示为：

其中，p^T _m,i(t)表示目标域中时间段[t-Δt，t]中的流行度，p^S _l,i(t)表示各个协作缓存域中时间段[t-Δt，t]中的流行度，a_m,k表示第m个目标域中第k类数据的学习因子，a_l,k∈a_k，a_k＝{a_1,k,a_2,k.....a_M,k}表示协作域中第k类数据的学习因子，M表示协作缓存域的总数；

然后根据流行度预测值，实现异构数据在边缘计算节点侧和云平台之间的缓存和分发。

进一步地，由于本申请中的云平台与边缘计算节点之间的任务协作比较复杂多变，采用传统的发布/订阅模式难以处理；本发明采用基于二分图的任务调度，以此提高边云任务协作的速度。

本申请具有以下技术特点：

1.本申请通过利用边云协同技术和深度神经网络，对获取的厨电设备工作数据进行分析，提前预测可能发生的故障，估计设备的剩余使用寿命，提前对设备完成维护，从而避免厨房安全事故的发生；同时，本申请对厨电设备进行预测性维护，有利于降低设备的维护成本，避免厨电设备的盲目维护和过度维护。

2.与传统方法相比，本申请利用人工智能技术中的深度神经网络，预测厨电设备的故障发生和设备剩余使用寿命，具有准确度高、灵活性高，鲁棒性好，智能化程度高等优点，可以有效做到提前防范厨电设备的故障危险，充分保障居民的生命财产安全。

3.本申请方法采用边云协同的框架，包括将设备的短期工作数据交由边缘计算节点分析处理，长期工作数据交由云平台分析处理，同时利用云平台完成两者所需的深度神经网路的训练，有利于充分利用计算资源，减少工作负担，降低系统延迟，从而实现本申请针对厨电设备的智能化预测性维护。

附图说明

图1为本申请提供的一种基于边云协同的厨电设备预测性维护方法的流程示意图；

图2为本申请提供的一种基于边云协同的厨电设备预测性维护系统的结构示意图；

图3为故障分类模块的预测流程图；

图4为回归预测下次故障发生时间的示意图；

图5为回归预测厨电设备剩余使用寿命的示意图。

具体实施方式

本申请提供一种基于边云协同的厨电设备预测性维护系统及方法，所述方法对厨电设备及其工作环境的周期性或持续性检测，获得大量的相关运行情况数据或者环境参数；通过对这些数据进行分析，可以反映厨电设备的运行情况，进一步预测短期一段时间内设备是否会发生故障危险，提前发出预警信息；还可以从长期角度估计设备的剩余使用寿命，从而让居民可以及时对处在危险期的设备进行报废、更换等处理。

本申请基于边云协同技术，利用深度神经网络对获取的厨电设备周期性或工作数据进行分析，从而预测可能发生的故障，估计设备的剩余使用寿命，从而实现厨电设备的预测性维护。如图2所示，本申请的系统包括传感器网络、边缘计算节点和云平台，其中：

所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点。所述传感器网络包括布设在厨房内部和厨电上的各类信息采集传感器，例如电压传感器、温度传感器、湿度传感器、能耗传感器等。

所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合等操作，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率。

所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行归回预测分析，输出下一次故障发生的时间或者厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练和优化，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。

在上述系统构架的基础上，本申请的一种基于边云协同的厨电设备预测性维护方法，如图1所示，包括以下步骤：

步骤1，针对不同的厨电设备部署不同类型的传感器以构成传感器网络，利用传感器网络实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，其中运行数据包括厨电设备的工作电压、工作电流、已用时长等；工作环境参数数据包括厨电设备的运行温度、环境湿度等。

步骤2，在传感器网络边缘部署包含数据预处理模块和故障分类预测模块的边缘计算节点。

步骤3，利用云平台中的大数据，训练边缘计算节点的故障分类预测模块所用的深度神经网络以及云平台的回归预测模块所用的深度神经网络，并将故障分类预测模块所用的深度神经网络训练得到的分类预测模型下发给边缘计算节点的故障分类预测模块，将回归预测模块所用的深度神经网络训练好的回归预测模型传送给回归预测模块。

其中，所述的深度神经网络可以采用卷积神经网络CNN、递归神经网络RNN等。

该步骤中采用云平台中的大数据进行训练的方法，能充分利用云平台强大的计算能力，节省边缘计算节点的计算资源。其中训练所用的大数据可利用已手机的厨电设备的工作数据所建立的数据集。

步骤4，将传感器网络采集到的工作数据传输到边缘计算节点的数据预处理模块，通过数据预处理模块对工作数据进行预处理，包括去噪、滤波、融合等操作，得到标准化的工作数据。

步骤5，将预处理后得到的标准化的工作数据中，短期工作数据传输到边缘计算节点的故障分类预测模块，长期工作数据上传到云平台的回归预测模块。

其中，所述短期工作数据可以是近几周内、几个月内的工作数据；长期工作数据可以是近几个季度、近几年的工作数据。

本申请中，边缘计算节点具有数据存储功能，边缘计算节点中存储了距当前工作周期一段时间内的经过预处理得到的标准化的工作数据；在每个工作周期内，根据该周期内获取的工作数据的时间戳，分析计算得到这些工作数据的采集时间点距离当前工作周期的时间，并根据设置的时间阈值，将低于时间的工作数据划分为短期工作数据，传输到边缘计算节点的故障分类预测模块；将高于时间阈值的工作数据划分为长期工作数据，上传到云平台的回归预测模块；由于云平台的回归预测模块需要大量长期历史数据，因此短期工作数据在传输给故障分类预测模块的同时，也上传给云平台进行保存；随着时间的增加，当短期工作数据的采集时间点距离当前工作周期的时间大于时间阈值后，这些短期工作数据也将变为长期工作数据，从而随着时间增加使云平台的回归预测模块能利用更多的长期工作数据进行回归预测分析。

本申请中采用边云协同的方式进行相关的数据传输，包括长期工作数据从边缘计算节点上传到云平台的过程中的数据传输，以及云平台将训练好的分类预测模型下发给边缘计算节点的过程中的数据传输；在数据传输过程，针对不同用户和不同任务需求，将数据传输过程中的异构数据进行缓存和分发，由此可降低数据传输延迟，提高边云任务调度精度，包括：

在异构数据缓存和分发过程中，数据的内容流行度是反映数据内容在某段时间内被用户访问的概率重要参数，本申请利用人工智能技术中的迁移学习方法来实现对内容流行度的预测：

以同一时间段的内容访问特征为指标，利用基于深度学习的分类方法进行分类，再利用迁移学习的方法来提高内容流行度数值的预测精度：

其中，在时间段[t，t+Δt]内第m个目标域中的流行度预测值可以表示为：

其中，p^T _m,i(t)表示目标域中时间段[t-Δt，t]中的流行度，p^S _l,i(t)表示各个协作缓存域中时间段[t-Δt，t]中的流行度，a_m,k表示第m个目标域中第k类数据的学习因子，a_l,k∈a_k，a_k＝{a_1,k,a_2,k.....a_M,k}表示协作域中第k类数据的学习因子；Δt表示时间增量，T、S表示内容数量，i表示内容，M表示协作缓存域的总数，l∈[1,...M]。例如，云平台下发给边缘计算节点数据的过程中，边缘计算节点为目标域，而协作缓存域至对数据转发过程中进协作缓存的节点。

然后根据流行度预测值，实现异构数据在边缘计算节点侧和云平台之间的缓存和分发。

由于本申请中的云平台与边缘计算节点之间的任务协作比较复杂多变，采用传统的发布/订阅模式难以处理；本发明采用基于二分图的任务调度，以此提高边云任务协作的速度。

步骤6，边缘计算节点的故障分类预测模块利用训练得到的分类预测模型，对所述短期工作数据进行分析，分类给出对应的未来一段时间内故障可能发生的概率和故障不会发生的概率，并将得到的故障发生概率和故障不会发生的概率与系统设定的阈值作比较，从而判定厨电设备是否会发生故障，如图3所示，具体方法为：

当同时满足以下条件，则可以判定厨电设备不会发生故障：

条件1：故障发生概率低于故障不发生概率；

条件2：故障发生概率低于系统设定的最小故障发生概率阈值；

条件3：故障不发生概率高于系统设定的最小故障不发生概率阈值。

步骤7，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

在上述技术方案的基础上，为了更进一步地为厨电设备故障隐患排除、维护更新等提供更加丰富的参考信息，步骤7之前还可以包括：

云平台的回归预测模块利用训练得到的回归预测模型，对所述长期工作数据进行拟合，得到关于时间的拟合函数y＝f(t)，以及得到厨电设备的健康度曲线h＝g(t)；

利用所述时间的拟合函数，根据设定的安全阈值，预测出下次故障发生的时间，如图4所示；根据当前厨电设备的工作数据确定当前厨电设备的健康状态，利用所述健康度曲线，通过设定的厨电设备寿命安全警戒值，确定厨电设备的剩余使用寿命，如图5所示。

由此，在步骤7中，可根据厨电设备是否会发生故障的判定结果、预测的下次故障发生的时间以及厨电设备的使用寿命，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

通过上述步骤，可提前预测厨电设备可能发生的故障和设备剩余使用寿命，人们应根据以上信息，及时排除设备的故障隐患，提前对设备进行维护和更新。

当前人工智能领域的深度神经网络在人们生活的各个领域取得了非凡的成就，受到了世人的瞩目。本申请将深度学习神经网络引入到厨电设备的预测性维护中，基于深度学习算法和神经网络模型，对厨电设备的运行数据进行分类，预测未来一定时间内设备是否会发生故障；通过对数据进行回归分析，预测下次故障发生之前的剩余时间和估计厨电设备的健康状态或剩余使用寿命。由于深度学习网络具有较好的灵活性、鲁棒性和较高精确度，可以取得良好的预测性维护效果，是传统基于人工和经验的维护方法所不能比拟的，具有智能化水平高、准确度高的优点，可以充分保障居民的生命财产安全。

使用深度学习算法和网络完成厨电设备的预测性维护，对系统硬件的计算能力和储存能力有一定的要求。近年来，边缘计算技术受到了物联网领域的研究人员的广泛关注。边缘计算是在靠近终端或数据源头处，完成计算、存储等工作的平台。边缘计算的主要目的是就近提供服务。边缘计算通过赋予网络边缘设备一定的计算能力和存储能力，可以保证人工智能算法的实行，从而让终端设备实现智能化。另一方面，为了减轻边缘计算节点的工作负担，可以进一步引入大数据云中心平台，将两者构成边云协同，比如：短期历史数据在边缘计算节点完成处理，数据量更大的长期历史数据传输到云平台；利用云平台完成深度神经网络模型的训练，可以将相关的模型参数下放到边缘计算节点等。采用边云协同，可以具有更好的灵活性和鲁棒性，充分利用计算和存储资源，降低系统延迟。

Claims (9)

1.一种基于边云协同的厨电设备预测性维护系统，其特征在于，包括传感器网络、边缘计算节点和云平台，其中：

所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点；

所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率；其中，将短期工作数据传输到边缘计算节点的故障分类预测模块的同时，上传至云平台进行保存；上传至云平台保存的短期工作数据，随着时间的增加将逐渐转变为长期工作数据，从而使回归预测模块能够利用更多的长期工作数据进行回归预测分析；

所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行回归预测分析，输出下一次故障发生的时间和/或厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。

2.一种基于边云协同的厨电设备预测性维护方法，其特征在于，包括以下步骤：

步骤1，针对不同的厨电设备部署不同类型的传感器以构成传感器网络，利用传感器网络实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据；

步骤2，在传感器网络边缘部署包含数据预处理模块和故障分类预测模块的边缘计算节点；

步骤3，利用云平台中的大数据，训练边缘计算节点的故障分类预测模块所用的深度神经网络以及云平台的回归预测模块所用的深度神经网络，并将故障分类预测模块所用的深度神经网络训练得到的分类预测模型下发给故障分类预测模块，将回归预测模块所用的深度神经网络训练好的回归预测模型传送给回归预测模块；

步骤4，将传感器网络采集到的工作数据传输到边缘计算节点的数据预处理模块，通过数据预处理模块对工作数据进行预处理，包括去噪、滤波、融合，得到标准化的工作数据；

步骤5，将预处理后得到的标准化的工作数据中，短期工作数据传输到边缘计算节点的数据预处理模块，长期工作数据上传到云平台的回归预测模块；包括：

所述边缘计算节点具有数据存储功能，边缘计算节点中存储有距当前工作周期一段时间内的经过预处理得到的标准化的工作数据；

在每个工作周期内，根据该周期内获取的工作数据的时间戳，分析计算得到这些工作数据的采集时间点距离当前工作周期的时间，并根据设置的时间阈值，将低于时间阈值的工作数据划分为短期工作数据，传输到边缘计算节点的故障分类预测模块的同时，上传至云平台进行保存；将高于时间阈值的工作数据划分为长期工作数据，上传到云平台的回归预测模块；

上传至云平台保存的短期工作数据，随着时间的增加将逐渐转变为长期工作数据，从而使回归预测模块能利用更多的长期工作数据进行回归预测分析；

步骤6，边缘计算节点的故障分类预测模块利用训练得到的分类预测模型，对所述短期工作数据进行分析，分类给出对应的未来一段时间内故障可能发生的概率和故障不会发生的概率，并将得到的故障发生概率和故障不会发生的概率与系统设定的阈值作比较，从而判定厨电设备是否会发生故障；

步骤7，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

3.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述步骤7之前还包括：

云平台的回归预测模块利用训练得到的回归预测模型，对所述长期工作数据进行拟合，得到关于时间的拟合函数，以及得到厨电设备的健康度曲线；

利用所述时间的拟合函数，根据设定的安全阈值，预测出下次故障发生的时间；根据当前厨电设备的工作数据确定当前厨电设备的健康状态，利用所述健康度曲线，通过设定的厨电设备寿命安全警戒值，确定厨电设备的剩余使用寿命。

4.根据权利要求3所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述步骤7包括：

根据厨电设备是否会发生故障的判定结果、预测的下次故障发生的时间以及厨电设备的使用寿命，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。

5.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述判定厨电设备是否会发生故障，包括：

当同时满足以下条件，则可以判定厨电设备不会发生故障：

条件1：故障发生概率低于故障不发生概率；

条件2：故障发生概率低于系统设定的最小故障发生概率阈值；

条件3：故障不发生概率高于系统设定的最小故障不发生概率阈值。

6.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述方法采用边云协同的方式进行数据传输，包括长期工作数据从边缘计算节点上传到云平台的过程中的数据传输，以及云平台将训练好的分类预测模型下发给边缘计算节点的过程中的数据传输；在数据传输过程，针对不同用户和不同任务需求，将数据传输过程中的异构数据进行缓存和分发，由此可降低数据传输延迟，提高边云任务调度精度，包括：

在异构数据缓存和分发过程中，利用人工智能技术中的迁移学习方法来实现对内容流行度的预测：

以同一时间段的内容访问特征为指标，利用基于深度学习的分类方法进行分类，再利用迁移学习的方法来提高内容流行度数值的预测精度：

其中，在时间段[t，t+Δt]内第m个目标域中的流行度预测值表示为：

其中，p^T _m,i(t)表示目标域中时间段[t-Δt，t]中的流行度，p^S _l,i(t)表示各个协作缓存域中时间段[t-Δt，t]中的流行度，a_m,k表示第m个目标域中第k类数据的学习因子，a_l,k∈a_k，a_k＝{a_1,k,a_2,k.....a_M,k}表示协作域中第k类数据的学习因子，M表示协作缓存域的总数；

然后根据流行度预测值，实现异构数据在边缘计算节点侧和云平台之间的缓存和分发。

7.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述运行数据包括厨电设备的工作电压、工作电流、已用时长；工作环境参数数据包括厨电设备的运行温度、环境湿度。

8.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述传感器网络包括布设在厨房内部和厨电上的各类信息采集传感器，包括电压传感器、温度传感器、湿度传感器、能耗传感器。

9.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述深度神经网络包括卷积神经网络CNN、递归神经网络RNN。

Images