مکانیزم رایانش لبه برای کاربردهای صنعتی مبتنی بر هوش مصنوعی

بخاطر مسائل چالش برانگیز مختلف مانند پیچیدگی محاسباتی و تاخیر بیشتر در رایانش ابری، محاسبات لبه ای، بر فرآیندهای متداول غلبه کرده اند که این بوسیله تخصیص کارامد و عادلانه منابع، یعنی توان و عمر باتری در کاربردهای صنعتی برپایه اینترنت اشیاء (IoT) می باشد. در عین حال، مدیریت دقیق و هوشمندانه منابع بوسیله هوش مصنوعی (AI) به مرکز توجه بخصوص در کاربردهای صنعتی تبدیل شده است. با هماهنگی های AI در لبه، برد و سرعت محاسباتی دستگاه های مبتنی بر IoT در صنایع، بهبود هنگفتی خواهد یافت. اما، مسئله چالش برانگیز در این کمبود توان، عمر کوتاه باتری و دستگاه های سیار بسیار تاخیردار، گرایش های کلاسیک نامناسب و ناکارآمد بهره برداری عادلانه از منابع است. همچنین، این امر از طریق مجموعه داده های صنعتی گسترده تفسیر می شود که کانال بی سیم دینامیک بوسیله فنون معمول صرفه جویی در برق و عمر باتری، برای مثال، کنترل توان انتقال (TPC) پیش بینی کننده و خط مبنا، قابل حمایت نیستند. بنابراین، این مقاله ۱) یک رویکرد دینامیک و موجود مرکزی رو به جلو (FCDAA) را با بکار گیری زمان اجرای فرآیندهای سنجش و انتقال در ادوات سیار برپایه IoT؛ ۲) یک مدل باتری سطح سیستم با ارزیابی اتلاف انرژی در دستگاه های IoT و ۳) یک مدل قابلیت اطمینان داده ها برای دستگاه های IoT برپایه AI برروی TPC ترکیبی یا هیبرید و شبکه سیکل وظیفه، پیشنهاد می کند. دو مورد مهم، برای نمونه، استاتیک (یعنی پردازش محصول) و دینامیک (یعنی ، تشخیص ارتعاش و خطا) برای نظارت صحیح بر بستر صنعتی، معرفی می شوند. بسترهای آزمون تجربی، آشکار می کنند که FCDAA پیشنهادی، بازده انرژی و عمر باتری را با قابلیت اطمینان قابل قبول (تقریبا ۰.۹۵) با تنظیم مناسب سیکل وظیفه و TPC برخلاف روش های متداول، انجام می دهد.

کلیدواژه ها:

اینترنت اشیای صنعتی ، رایانش لبه ، AI ، چرخه وظیفه ، دستگاه های موبایل ، PTPC ، FCDAA ، مدل باتری