一种基于边缘卸载的深度学习复杂无人平台寿命预测方法

本公开提供了一种基于边缘卸载的深度学习复杂无人平台寿命预测方法，通过在云端部署高精度预测模型，在边端部署轻量化预测模型和特征提取模块，结合聚类网络生成的动态权重，智能融合边云预测结果，得到设备寿命预测值。在线预测时，当实时多传感器时序数据的数据分布变化超出设定预期时，更新聚类中心，以动态调整边云预测融合权重。本发明使用边缘卸载策略，将部分任务从云端服务器卸载到边端，优化资源利用率，降低数据传输成本与延迟，结合模型在线微调策略，提升该方法在无人平台处于复杂环境下数据分布发生变化的适应性，使其提供高精度、高实时性、高可靠性的设备寿命预测，可广泛应用于工业无人平台的设备健康管理、智能维护等领域。