دانلود ترجمه مقاله مکانیزم مبتنی بر هوش مصنوعی برای رایانش لبه

1. مقدمه 2. کارهای موجود 3. رویکرد موجود و پویای رو به رشد 4. مدل قابلیت اطمینان داده برای شبکه های چرخه وظیفه و TPC هیبریدی 5. نتایج آزمایشی و بحث و بررسی 6. نتیجه گیری و تحقیقات آتی

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) پیشبینی کننده و خط مبنا، قابل حمایت نیستند. بنابراین، این مقاله 1) 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؛ 2) یک مدل باتری سطح سیستم با ارزیابی اتلاف انرژی در دستگاه های IoT و 3) 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 ، ارتعاش و تشخیص 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 (تقریباً 0.95) با تنظیم مناسب سیکل وظیفه و TPC برخلاف روش های متداول، انجام می دهد.

Due to various challenging issues such as, computational complexity and more delay in cloud computing, edge computing has overtaken the conventional process by efficiently and fairly allocating the resources i.e., power and battery lifetime in Internet of things (IoT)-based industrial applications. In the meantime, intelligent and accurate resource management by artificial intelligence (AI) has become the center of attention especially in industrial applications. With the coordination of AI at the edge will remarkably enhance the range and computational speed of IoT-based devices in industries. But the challenging issue in these power hungry, short battery lifetime, and delay-intolerant portable devices is inappropriate and inefficient classical trends of fair resource allotment. Also, it is interpreted through extensive industrial datasets that dynamic wireless channel could not be supported by the typical power saving and battery lifetime techniques, for example, predictive transmission power control (TPC) and baseline. Thus, this paper proposes 1) a forward central dynamic and available approach (FCDAA) by adapting the running time of sensing and transmission processes in IoT-based portable devices; 2) a system-level battery model by evaluating the energy dissipation in IoT devices; and 3) a data reliability model for edge AI-based IoT devices over hybrid TPC and duty-cycle network. Two important cases, for instance, static (i.e., product processing) and dynamic (i.e., vibration and fault diagnosis) are introduced for proper monitoring of industrial platform. Experimental testbed reveals that the proposed FCDAA enhances energy efficiency and battery lifetime at acceptable reliability (~0.95) by appropriately tuning duty cycle and TPC unlike conventional methods.

ترجمه این مقاله در 15 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.