CN114399031A - 一种基于联邦学习的智能工厂温湿度控制方法 - Google Patents
一种基于联邦学习的智能工厂温湿度控制方法 Download PDFInfo
- Publication number
- CN114399031A CN114399031A CN202210055738.2A CN202210055738A CN114399031A CN 114399031 A CN114399031 A CN 114399031A CN 202210055738 A CN202210055738 A CN 202210055738A CN 114399031 A CN114399031 A CN 114399031A
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- model
- data
- federal learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000586 desensitisation Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及数据处理技术领域,具体公开了一种基于联邦学习的智能工厂温湿度控制方法,包括:采集温湿度数据并进行预处理;在客户端内搭建LSTM模型,并基于温湿度数据预测下一时间温湿度;基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛;根据训练后的LSTM模型控制温湿度,对温湿度进行调整。使用LSTM和联邦学习相结合的方法,在保护生产隐私不被泄露的情况下,对温湿度进行调节,保证生产质量和生产效率。
Description
技术领域
本发明涉及数据处理技术领域,更具体的说是涉及一种基于联邦学习的智能工厂温湿度控制方法。
背景技术
目前现有的工业温湿度控制方法和设备多是保证运行环境的恒温恒湿或者温湿度超过某一阈值时启动设备进行温湿度的调节。但是在不需要维持恒温恒湿,却对温湿度有变化性需求的工厂,现有的温湿度控制方法和设备则不能充分满足需求。例如:织造车间的温湿度过低或者过高都会对产量、质量产生影响,在不同的季节、天气织造不同的织物,对温湿度都有不同的要求,传统的温湿度控制方法并不能满足需求,需要一种新的温湿度控制方法来实现温湿度的智能控制。
LSTM网络能够对单一传感器时序数据进行预测,但是单一传感器时序数据难以反映全面的信息,且存在数据缺失,缺乏容错性和可靠性。同时如果要融合多种信息时,又存在隐私泄露的问题,例如专利CN202010832093.X。
因此,如何提供一种在保证数据隐私的情况下,对互联工厂的温湿度进行智能控制,使温湿度随着制造的需求智能变化,保证制造质量的控制方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于联邦学习的智能工厂温湿度控制方法,使用LSTM和联邦学习相结合的方法,在保护生产隐私不被泄露的情况下,对温湿度进行调节,保证生产质量和生产效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于联邦学习的智能工厂温湿度控制方法,包括:
采集温湿度数据并进行预处理;
在客户端内搭建LSTM模型,并基于温湿度数据预测下一时间温湿度;
基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛;
根据训练后的LSTM模型控制温湿度,对温湿度进行调整。
优选的,基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛具体包括:
步骤a系统初始化:中心服务器和客户端建立连接后,客户端接收中心服务器发送的初始参数后,初始化本地LSTM模型;
步骤b局部计算:LSTM模型根据温湿度数据进行梯度训练,并将得到的梯度脱敏后进行梯度加密上传至中心服务器;
步骤c中心聚合;中心服务器对各个LSTM模型的梯度进行聚合,得到聚合后的参数;
步骤d模型更新:中心服务器根据聚合后的参数更新全局模型,将更新后的全局模型返回至参与训练的各个客户端上,客户端根据全局模型更新LSTM模型,LSTM模型更新参数后进行新一轮的循环,即重复步骤b-步骤d,直至LSTM模型收敛。
优选的,梯度加密包括差分隐私加密或同态加密。
优选的,温湿度数据预处理具体为:当温湿度数据缺失少时,根据前后的温湿度数据取平均进行填补;当温湿度数据缺失多或者异常时,则删除整条数据。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于联邦学习的智能工厂温湿度控制方法,联邦学习能有效帮助多个机构在满足用户隐私保护、数据安全的要求下,进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于联邦学习的智能工厂温湿度控制方法流程图。
图2附图为本发明提供的基于联邦学习的智能工厂温湿度控制方法应用原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于联邦学习的智能工厂温湿度控制方法,如图1所示,包括:
S1:采集温湿度数据并进行预处理;
S2:在客户端内搭建LSTM模型,并基于温湿度数据预测下一时间温湿度;
S3:基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛;
S4:根据训练后的LSTM模型控制温湿度,对温湿度进行调整。
在本实施例中,针对采集的时序温湿度数据,往往有缺失和异常的情况,所以对数据进行预处理:当数据缺失较少时,根据前后的温湿度取平均进行填补;当数据确实较多或者异常时,则删除整条数据。
在本实施例中,针对上述步骤S3,具体步骤如下:
步骤S31:系统初始化。中心服务器向客户端发出TCP连接请求,客户端响应并建立连接,接受训练任务。客户端内搭建LSTM模型,在接收到中心服务器发送的初始参数后开始初始化本地LSTM模型。
步骤S32:局部计算。中心服务器向客户端发送初始参数后,各客户端在本地根据温湿度数据进行局部计算,计算完成后,将本地局部计算所得梯度脱敏后进行梯度加密上传至中心服务器,以用于全局模型的一次更新。
步骤S33:中心聚合。中心服务器将客户端传来的梯度进行聚合,在聚合的过程中需要同时考虑效率、安全、隐私等多方面的问题。比如,有时因为系统的异构性,中心服务器可能不会等待所有客户端的上传,而是选择一个合适的客户端子集作为收集目标,或者为了安全地对参数进行聚合,使用一定的加密技术对参数进行加密。
步骤S34:模型更新。中心服务器根据聚合后的结果对全局模型进行一次更新,并将更新后的全局模型返回给参与建模的客户端。客户端更新本地LSTM模型,并开启下一步局部计算,同时评估更新后的模型性能,当性能足够好时,训练终止,联合建模结束。建立好的全局模型将会被保留在中心服务器端,以进行后续的预测或分类工作。其中,在第0次训练时,部署在客户端的LSTM模型与部署在中心服务器端的全局模型一致。
在本实施例中,梯度加密具体步骤如下:可以使用差分隐私或者同态加密等多种方式对梯度信息进行加密。
在本实施例中,使用差分隐私的方式,包括:
步骤a:生成密钥
(1)选两个大素数p,q保证gcd(pq,(p-1)(q-1))=1((p-1)(q-1)和pq的最大公约数为1);
(2)计算n=pq,λ=lcm(p-1,q-1)(λ为p-1和q-1的最小公倍数);
(3)定义L(x)=(x-1)/n;
(4)随机选一个小于n2的正整数g,并且存在μ=(L(gλ mod n2))-1mod n,mod表示取模运算;
(5)生成公钥,为(n,g);
(6)生成私钥,为(λ,μ);
步骤B:加密
(1)明文m是客户端要向中心服务器传递的参数,即梯度脱敏数据;
(2)随机选择r满足0<r<n且r,n互质;
(3)将明文进行加密,密文c=gmrn mod n2,加密后上传至中心服务器。
在本实施例中,差分隐私加密具体过程:
(1)选择合适的隐私保护预算ε;
(2)根据选择的ε生成拉普拉斯噪音Lap(1/ε);
(2)向要发送的数据(梯度脱敏后的数据)添加拉普拉斯噪音,即发送的数据为原始数据和噪声的叠加。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于联邦学习的智能工厂温湿度控制方法,其特征在于,包括:
采集温湿度数据并进行预处理;
在客户端内搭建LSTM模型,并基于温湿度数据预测下一时间温湿度;
基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛;
根据训练后的LSTM模型控制温湿度,对温湿度进行调整。
2.根据权利要求1所述的一种基于联邦学习的智能工厂温湿度控制方法,其特征在于,基于联邦学习框架对LSTM模型进行训练,更新模型参数,直至模型收敛具体包括:
步骤a系统初始化:中心服务器和客户端建立连接后,客户端接收中心服务器发送的初始参数后,初始化本地LSTM模型;
步骤b局部计算:LSTM模型根据温湿度数据进行梯度训练,并将得到的梯度脱敏后进行梯度加密上传至中心服务器;
步骤c中心聚合;中心服务器对各个LSTM模型的梯度进行聚合,得到聚合后的参数;
步骤d模型更新:中心服务器根据聚合后的参数更新全局模型,将更新后的全局模型返回至参与训练的各个客户端上,客户端根据全局模型更新LSTM模型,LSTM模型更新参数后进行新一轮的循环,即重复步骤b-步骤d,直至LSTM模型收敛。
3.根据权利要求2所述的一种基于联邦学习的智能工厂温湿度控制方法,其特征在于,梯度加密包括差分隐私加密或同态加密。
4.根据权利要求1所述的一种基于联邦学习的智能工厂温湿度控制方法,其特征在于,温湿度数据预处理具体为:当温湿度数据缺失少时,根据前后的温湿度数据取平均进行填补;当温湿度数据缺失多或者异常时,则删除整条数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210055738.2A CN114399031A (zh) | 2022-01-18 | 2022-01-18 | 一种基于联邦学习的智能工厂温湿度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210055738.2A CN114399031A (zh) | 2022-01-18 | 2022-01-18 | 一种基于联邦学习的智能工厂温湿度控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399031A true CN114399031A (zh) | 2022-04-26 |
Family
ID=81230139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210055738.2A Pending CN114399031A (zh) | 2022-01-18 | 2022-01-18 | 一种基于联邦学习的智能工厂温湿度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134077A (zh) * | 2022-06-30 | 2022-09-30 | 云南电网有限责任公司信息中心 | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 |
CN115407812A (zh) * | 2022-08-16 | 2022-11-29 | 云南先控科技有限公司 | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608996A (zh) * | 2009-07-22 | 2009-12-23 | 中国兵器工业第五九研究所 | 内陆非工业大气腐蚀性的测定方法 |
CN109684855A (zh) * | 2018-12-17 | 2019-04-26 | 电子科技大学 | 一种基于隐私保护技术的联合深度学习训练方法 |
CN110544060A (zh) * | 2019-07-11 | 2019-12-06 | 江苏一乙生态农业科技有限公司 | 一种基于用户评论及lstm时间序列的生鲜物流方法 |
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN112231307A (zh) * | 2020-09-18 | 2021-01-15 | 苏州冷王网络科技有限公司 | 一种基于lstm的冷链监测温湿度数据拟合方法 |
CN112611080A (zh) * | 2020-12-10 | 2021-04-06 | 浙江大学 | 一种基于联邦学习的智能空调控制系统和方法 |
US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
CN113037460A (zh) * | 2021-03-03 | 2021-06-25 | 北京工业大学 | 基于同态加密和秘密共享的联邦学习隐私保护方法 |
CN113033772A (zh) * | 2021-03-05 | 2021-06-25 | 中国石油大学(华东) | 一种基于联邦学习的多设备状态监测方法 |
CN113191503A (zh) * | 2021-05-20 | 2021-07-30 | 清华大学深圳国际研究生院 | 一种非共享数据的去中心化的分布式学习方法及系统 |
CN113326947A (zh) * | 2021-05-28 | 2021-08-31 | 山东师范大学 | 一种联合学习模型训练方法及系统 |
CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
CN113536670A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种群体产品剩余寿命预测的联邦迁移学习方法 |
WO2021238505A1 (zh) * | 2020-05-27 | 2021-12-02 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 |
CN113761525A (zh) * | 2021-09-07 | 2021-12-07 | 广东电网有限责任公司江门供电局 | 基于联邦学习的智能入侵检测方法和系统 |
-
2022
- 2022-01-18 CN CN202210055738.2A patent/CN114399031A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608996A (zh) * | 2009-07-22 | 2009-12-23 | 中国兵器工业第五九研究所 | 内陆非工业大气腐蚀性的测定方法 |
CN109684855A (zh) * | 2018-12-17 | 2019-04-26 | 电子科技大学 | 一种基于隐私保护技术的联合深度学习训练方法 |
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN110544060A (zh) * | 2019-07-11 | 2019-12-06 | 江苏一乙生态农业科技有限公司 | 一种基于用户评论及lstm时间序列的生鲜物流方法 |
WO2021238505A1 (zh) * | 2020-05-27 | 2021-12-02 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 |
CN112231307A (zh) * | 2020-09-18 | 2021-01-15 | 苏州冷王网络科技有限公司 | 一种基于lstm的冷链监测温湿度数据拟合方法 |
CN112611080A (zh) * | 2020-12-10 | 2021-04-06 | 浙江大学 | 一种基于联邦学习的智能空调控制系统和方法 |
US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
CN113037460A (zh) * | 2021-03-03 | 2021-06-25 | 北京工业大学 | 基于同态加密和秘密共享的联邦学习隐私保护方法 |
CN113033772A (zh) * | 2021-03-05 | 2021-06-25 | 中国石油大学(华东) | 一种基于联邦学习的多设备状态监测方法 |
CN113191503A (zh) * | 2021-05-20 | 2021-07-30 | 清华大学深圳国际研究生院 | 一种非共享数据的去中心化的分布式学习方法及系统 |
CN113326947A (zh) * | 2021-05-28 | 2021-08-31 | 山东师范大学 | 一种联合学习模型训练方法及系统 |
CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
CN113536670A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种群体产品剩余寿命预测的联邦迁移学习方法 |
CN113761525A (zh) * | 2021-09-07 | 2021-12-07 | 广东电网有限责任公司江门供电局 | 基于联邦学习的智能入侵检测方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134077A (zh) * | 2022-06-30 | 2022-09-30 | 云南电网有限责任公司信息中心 | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 |
CN115407812A (zh) * | 2022-08-16 | 2022-11-29 | 云南先控科技有限公司 | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399031A (zh) | 一种基于联邦学习的智能工厂温湿度控制方法 | |
Kolhar et al. | Cloud data auditing techniques with a focus on privacy and security | |
CN112001502B (zh) | 高延时网络环境鲁棒的联邦学习训练方法及装置 | |
CN108282327A (zh) | 一种基于混沌rsa加密的opc ua秘钥交换方法 | |
CN109698822A (zh) | 基于公有区块链和加密神经网络的联合学习方法及系统 | |
CN104954390B (zh) | 可恢复丢失密钥的云存储完整性检测方法及系统 | |
CN109962769B (zh) | 基于门限盲签名的数据安全去重方法 | |
CN113824728A (zh) | 一种基于数据加密的网络通信方法及系统 | |
CN110213038B (zh) | 一种区块链形成共识的方法及系统 | |
CN110826089A (zh) | 一种实现大尺度矩阵乘法安全高效的可验证外包计算方法、客户端及云计算系统 | |
CN108650085A (zh) | 一种基于区块链的组成员扩展方法、装置、设备及介质 | |
CN115694777A (zh) | 基于同态加密的隐私集合求交方法、装置、设备及介质 | |
CN113901412A (zh) | 电能质量扰动检测方法及装置、电子设备、存储介质 | |
CN110035063A (zh) | 一种基于神经网络的智能家电数据加密方法 | |
CN108650302A (zh) | 一种基于区块链的云箱安全技术 | |
CA3143855A1 (en) | Systems and methods for federated learning on blockchain | |
CN111581648B (zh) | 在不规则用户中保留隐私的联邦学习的方法 | |
CN104717070B (zh) | 一种利用单向哈希函数关联数字证书的方法 | |
CN116628744A (zh) | 一种具有轻量级验证机制的隐私保护联邦学习方法 | |
CN106301761B (zh) | 一种基于密码杂凑算法的压缩方法及装置 | |
CN113630250B (zh) | 基于数据加密的模型训练方法及系统 | |
CN109597811A (zh) | 一种分布式安全数据库链块存储方法 | |
CN113779615A (zh) | 一种安全的去中心化的图联邦学习方法 | |
CN112437042A (zh) | 通过云平台进行智慧工地材料数据安全认证工作方法 | |
CN115174046B (zh) | 向量空间上的联邦学习双向可验证隐私保护方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |