具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。

下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。

如图1所示，本发明实施例提供的智能制造边缘计算解决方案图。如图1所示，该平台包含边缘App生命周期管理、边缘PaaS生命周期管理、边缘IaaS生命周期管理、边缘存储生命周期管理等等；该边缘计算平台提供基于云边缘节点和智能刀具监测系统侧节点的弹性计算服务，可满足刀具监测系统在业务实时响应，数据就近处理，数据智能分析，应用快速部署等方面的关键需求，可灵活配置管理大规模边缘计算应用。

图2为本发明实施例提供的一种基于边缘云计算的刀具监测智慧物联系统的系统架构图。如图2所示，该系统层次设计包括一个云管中心(本地或者异地)和边缘云平台。云管中心用于集中统一管理多个边缘云平台。云管中心负责整个云平台安装编排、管理虚拟主机云和容器云、通过应用编排模版推送边缘计算节点，应用自动拉起，同时还用于人工智能计算模型的自动推送；

所述边缘云节点，用于对所在区域的刀具监测的管理和数据收集，对数据进行预处理和预判断，将结构化的数据传回所述云管中心，将监测业务的计算结果返回至用户上层应用。

图3是面向开发者的一站式AI开发平台，为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成，及端-边-云模型按需部署能力；实现服务的快速开发和部署。

下侧包含基础设施管理、操作系统、异构硬件。在上层应用对数据进行分析和结果预测，采集的数据通过规则引擎比对后，符合条件时将触发某个函数的计算，函数计算的实例由本地函数计算、后台引擎统一管理。开发完成后，将各组件基本配置文件集成，并验证包的可部署性、安全性；通过将包的状态改为正式上线发布；部署运营服务将正式上线的包部署到不同应用场景对应类型的边缘计算系统上。

图4为本发明实施例提供的一种基于边缘云计算的刀具监测智慧物联系统的边缘云计算节点组件图；如图4所示，该平台包括物联网基础设施、边缘云计算节点、云管中心。与传统刀具监测系统相比，增加了本地计算节点。

物联网基础设施由各种物联设备(如环境传感器、RFID标签、摄像头、智能手机、工业看板等)组成，主要完成收集原始数据并上报的功能，以事件源的形式作为应用服务的输入。

边缘计算节点包括边缘网关和业务组件，业务组件由本地存储、任务调度、规则引擎和日志管理等组成。边缘节点强化了本地计算节点的计算能力，一些简单的业务逻辑直接在边缘节点处理并返回信息至用户设备。

边缘计算节点通过合理部署和调配网络边缘侧的计算和存储能力，开放API,实现基础服务响应。

云管中心通过API进行运营管理和设备管理的调用。云管中心通过编排器，实现资源统一调度、资源统一纳管，负责镜像分发。云管中心通过调用API来远程管理本地计算节点。主要负责本地计算节点的设备管理、组件管理和节点管理，以及自动推送应用编排和自适应部署，无需人工监控和部署。

边缘云中心与云管中心以开放API的形式整合。方便本地计算节点和云管中心之间调用。可以远程监控和管理机床人工操作是否规范，实时监测跟踪刀具在车间加工中具体位置与状态等，收集一切数据，提高实时规划调度与精确控制。

如图5所示，该流程首先是CNC机床控制系统数据采集集成服务，然后是刀具扭矩监测与刀具寿命相关性分析及预测服务，接下来是刀具对刀仪&产品测量数据&刀具负载数据集成及智能补偿，再接下来是刀具&参数信息库构建及智能选刀系统，之后是CNC数字化智能车间一体化服务。

如图6所示。对采集到的刀具数据进行预处理后，选用深度卷积长短时间记忆神经网络模型作为目标检测模型。基于深度学习的DeepConvLSTM算法，算法融合了卷积(Convolution)和LSTM操作，既可以学习样本的空间属性，也可以学习时间属性。在卷积操作中，通过将信号与卷积核相乘，过滤波形信号，保留高层信息。在LSTM操作中，通过记忆或遗忘前序信息，发现信号之间的时序关系。

边缘计算作为一种新的计算模式，将计算与存储资源部署在终端设备侧，从而获得更高实时性的计算能力和服务的响应能力；非关键数据在边缘侧经过处理不需要上传到数据中心，从而极大降低网络开销和云计算的资源压力。边缘计算节点基于规则引擎、函数计算等技术，提供边缘计算的能力，运行在边缘计算节点上的业务程序主动获取终端设备的数据，并在边缘侧执行部分计算任务，以减少与平台间无用数据的传输。能够提供更加高效、可靠的刀具监测。

有益效果：

深度卷积长短时间记忆神经网络模型作为目标检测模型训练框架，针对性地修改多个模型的网络结构及损失函数，根据检测需求与检测效果，设计检测方案，训练目标检测网络和分类完了，从检测准确率、召回率、检测帧率等方面，比较各方案的优劣，选定最优方案。确定使用的模型后，部署阶段采用框图3所示流程，优化模型结构并对训练后权值进行量化，加速模型推理，在确保精度不丢失的情况下进一步提高检测效率。通过这个模型，修改参数达到线上深度学习，选择行动，再通过现场反馈，不断优化生产，有效避免因刀具异常导致的质量损失。

该平台包含边缘App生命周期管理、边缘PaaS生命周期管理、边缘IaaS生命周期管理、边缘存储生命周期管理等等；满足应用快速部署，可灵活配置管理大规模边缘计算应用，加速边缘应用落地；有效解决软硬件更新速度慢，后期硬件设备老化性能降低的问题；可以根据实际使用避免设计的软件版本采用永久许可模式，保持较新的版本。将计算与存储资源部署在终端设备侧，从而获得更高实时性的计算能力和服务的响应能力，改善了数据传递慢和计算复杂的缺点；非关键数据在边缘侧经过处理不需要上传到数据中心，从而极大降低网络开销和云计算的资源压力。通过算力资源调度，优化资源配置，可以提高刀具监测效率。易扩展，就近集成边缘虚拟机、存储及边缘服务，结合系统应用，拓展和收缩边缘应用虚拟环境。

边缘设备基于规则引擎、函数计算等技术，提供边缘计算的能力，运行在边缘设备上的业务程序主动获取终端设备的数据，并在边缘侧执行部分计算任务，以减少与平台间无用数据的传输。边缘数据能够统一在核心云平台进行管理，便于管理和监控。

采用深度卷积长短时间记忆神经网络模型作为目标检测模型训练框架，针对性地修改多个模型的网络结构及损失函数，根据检测需求与检测效果，设计检测方案，训练目标检测网络和分类，从检测准确率、召回率、检测帧率等方面，比较各方案的优劣，选定最优方案。确定使用的模型后，优化模型结构并对训练后权值进行量化，加速模型推理，在确保精度不丢失的情况下进一步提高检测效率。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。