CN115221796A - 一种面向云制造模式的工艺流程仿真方法及系统 - Google Patents
一种面向云制造模式的工艺流程仿真方法及系统 Download PDFInfo
- Publication number
- CN115221796A CN115221796A CN202210928816.5A CN202210928816A CN115221796A CN 115221796 A CN115221796 A CN 115221796A CN 202210928816 A CN202210928816 A CN 202210928816A CN 115221796 A CN115221796 A CN 115221796A
- Authority
- CN
- China
- Prior art keywords
- data
- process flow
- parameter
- parameters
- model
- 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 377
- 238000004088 simulation Methods 0.000 title claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 115
- 238000005457 optimization Methods 0.000 claims description 47
- 238000012216 screening Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 16
- 230000005477 standard model Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000047 product Substances 0.000 description 30
- 238000003466 welding Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种面向云制造模式的工艺流程仿真方法及系统,涉及工业虚拟仿真技术领域,获取工艺流程采集数据并进行采集环境参数确定,进而进行多环境参数评估获取多环境预估采集数据,利用云制造平台获取合作工艺采集数据集,获取仿真工艺产品需求参数并进行标准需求参数偏差值计算,进行合作工艺采集数据集权值设置,组建本地训练数据进行联邦学习,按照合作工艺采集数据集权值进行模型参数优化,确定工艺流程仿真参数信息,解决了现有技术中由于对采集数据中缺失部分的获取方法存在一定局限性,且获取流程不够严谨,以致最终确定的数据与实际贴合度不足,进而影响仿真的精确度的技术问题,实现了与工艺流程仿真需求相贴和的精准化仿真。
Description
技术领域
本发明涉及工业虚拟仿真技术领域,具体涉及一种面向云制造模式的工艺流程仿真方法及系统。
背景技术
工艺流程的仿真技术为现今常用的工业流程虚拟技术,通过对工业流程进行可视化仿真,可有效提高企业的资源利用率,提高产品的生产效率及市场竞争力,仿真技术主要是按照采集的工艺流程相关联数据进行生产仿真模拟,然而不可避免的会存在部分不能立即进行采集的参数数据,现如今,常用的数据获取方法主要通过大数据进行对比获取,然而由于获取方法存在一定的弊端,使得最终的仿真效果较之实际工艺流程存在一定的偏差。
现有技术中,进行工艺流程仿真时,由于对采集数据中缺失部分的获取方法存在一定局限性,且获取流程不够严谨,以致最终确定的数据与实际贴合度不足,进而影响仿真的精确度。
发明内容
本申请提供了一种面向云制造模式的工艺流程仿真方法及系统,用于针对解决现有技术中存在的由于对采集数据中缺失部分的获取方法存在一定局限性,且获取流程不够严谨,以致最终确定的数据与实际贴合度不足,进而影响仿真的精确度的技术问题。
鉴于上述问题,本申请提供了一种面向云制造模式的工艺流程仿真方法及系统。
第一方面,本申请提供了一种面向云制造模式的工艺流程仿真方法,所述方法包括:按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;获得仿真工艺产品需求参数;根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
第二方面,本申请提供了一种面向云制造模式的工艺流程仿真系统,所述系统包括:数据采集模块,所述数据采集模块用于按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;参数评估模块,所述参数评估模块用于根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;数据匹配模块,所述数据匹配模块用于利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;参数获取模块,所述参数获取模块用于获得仿真工艺产品需求参数;参数计算模块,所述参数计算模块用于根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;权值设置模块,所述权值设置模块用于基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;联邦建模模块,所述联邦建模模块用于利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;模型优化模块,所述模型优化模块用于按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种面向云制造模式的工艺流程仿真方法,按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据,进而进行采集环境参数确定,并基于所述采集环境参数对多环境参数进行评估,获得多环境预估采集数据;利用云制造平台进行工艺流程采集数据与工艺流程合作数据匹配,获取合作工艺采集数据集;获得仿真工艺产品需求参数并进行标准需求参数偏差值计算,获得需求参数偏差信息,基于此对所述合作工艺采集数据集进行权值设置,进一步利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,与所述合作工艺采集数据集进行联邦学习;按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息,解决了现有技术中存在的由于对采集数据中缺失部分的获取方法存在一定局限性,且获取流程不够严谨,以致最终确定的数据与实际贴合度不足,进而影响仿真的精确度的技术问题,实现了与工艺流程仿真需求相贴和的精准化仿真。
附图说明
图1为本申请提供了一种面向云制造模式的工艺流程仿真方法流程示意图;
图2为本申请提供了一种面向云制造模式的工艺流程仿真方法中合作工艺采集数据集获取流程示意图;
图3为本申请提供了一种面向云制造模式的工艺流程仿真方法中数据联邦学习流程示意图;
图4为本申请提供了一种面向云制造模式的工艺流程仿真系统结构示意图。
附图标记说明:数据采集模块a,参数评估模块b,数据匹配模块c,参数获取模块d,参数计算模块e,权值设置模块f,联邦建模模块g,模型优化模块h。
具体实施方式
本申请通过提供一种面向云制造模式的工艺流程仿真方法及系统,获取工艺流程采集数据并进行采集环境参数确定,进而进行多环境参数评估获取多环境预估采集数据,利用云制造平台获取合作工艺采集数据集,获取仿真工艺产品需求参数并进行标准需求参数偏差值计算,进行合作工艺采集数据集权值设置,组建本地训练数据进行联邦学习,按照合作工艺采集数据集权值进行模型参数优化,确定工艺流程仿真参数信息,用于解决现有技术中存在的由于对采集数据中缺失部分的获取方法存在一定局限性,且获取流程不够严谨,以致最终确定的数据与实际贴合度不足,进而影响仿真的精确度的技术问题。
实施例一
如图1所示,本申请提供了一种面向云制造模式的工艺流程仿真方法,所述方法包括:
步骤S100:按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;
具体而言,本申请提供的一种面向云制造模式的工艺流程仿真方法,通过获取工艺流程采集数据与合作工艺采集数据,以本地产品需求为基准进行所述合作工艺数据的筛选匹配,基于第三方云平台,进行数据的联邦学习,获取联邦模型并进行模型优化,在此基础上进行工艺流程的仿真,基于工艺流程仿真参数要求进行所述本地工艺流程的仿真数据采集,所述仿真参数要求指按照工艺流程进行生产仿真所需的相关联参数指标,所述本地工艺流程的仿真数据指工艺设计进程中的使用数据与产生数据,可将其划分为两类,静态数据与动态数据,所述静态数据包括了加工材料数据、设备数据与标准工艺流程数据等,所述动态数据包括了中间过程数据、工序数据等,对本地工艺流程中的相关数据进行采集,以获取所述工艺流程采集数据,为后续进行工艺流程的仿真提供基本信息来源。
步骤S200:根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;
具体而言,基于所述工艺流程采集数据进行采集环境参数确定,获取所述工艺流程采集数据对应的采集环境,并进行采集环境参数提取,包括环境温度、湿度等,进一步确定所述采集环境参数动态变化下对工艺流程参数的影响性,以获取相应的影响性参数,例如机器性能、原材料特性等,进一步以加工全周期为时间间隔对所述工艺流程参数进行多场景下的参数预估,通过与历史经验数据库进行比对分析确定相应的数据波动情况,对其进行数据整合处理获取所述多环境预估采集数据,为后续进行联邦模型的构建提供了训练数据。
进一步而言,根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据,本申请步骤S200还包括:
步骤S210:基于所述采集环境参数进行工艺流程影响关系分析,获得工艺流程影响性参数;
步骤S220:根据所述工艺流程影响性参数进行加工全周期变化波动分析,确定多环境预估参数,其中,各环境预估参数包括各环境对应的工艺流程影响性参数波动范围;
步骤S230:根据所述工艺流程影响性参数波动范围与历史加工波动数据库进行比对,预估工艺流程参数波动数据,利用各环境的所述工艺流程参数波动数据,组成所述多环境预估采集数据。
具体而言,根据获取的所述工艺流程采集数据确定采集环境参数,所述采集环境参数指当下进行数据采集的外环境,例如温度、湿度等,对所述采集环境参数分别进行工艺流程影响关系分析,通过设定参数之间的影响关系,确定所述采集环境参数变化时会受到影响的工艺参数,例如温度、湿度对机器的影响,高温时机器散热与低温时内部液体冷凝、高湿度对于机器的运行流畅度等;对于原材料的特性影响,原材料的腐蚀性、液化、气化等,获取所述工艺流程影响性参数,进一步对所述工艺流程影响性参数进行加工全周期的变化波动分析,对于一个完整的生产加工周期,可能是半年、一年或更长时间,在所述加工全周期内环境参数属于实时变化状态,对应的所述工艺流程影响性参数是否会受到影响及受影响程度大小,对其进行分析确定分析结果。
进一步的,基于当前采集的采集数据与所述分析结果进行各环境对应的工艺流程影响性参数波动范围预估,获取所述多环境预估参数,进一步对所述工艺流程影响性参数波动范围与所述历史加工波动数据库进行比对,通过进行两者的映射比较确定所述工艺流程影响性参数可能存在的数据变化情况,以获取所述预估工艺流程参数波动数据,以所述加工全周期为基准进行多环境下的所述工艺流程参数波动数据预估,获取所述多环境预估采集数据,所述多环境预估采集数据的获取,为后续进行联邦模型的构建夯实了基础。
步骤S300:利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;
具体而言,由于数据采集过程中,一部分数据不能立即采集,无法进行确定,例如各工艺步骤的运作输出数据信息等,可按照现在采集到的数据和环境影响的变化关系对其他场景进行预估,以完善所述工艺流程采集数据,基于所述云制造平台,依据所述工艺流程采集数据进行工艺流程合作数据匹配,获取与待仿真工艺流程同行业、同特征的工艺流程,将其作为合作工艺流程,对所述合作工艺流程进行相关联参数数据获取,获取所述合作工艺采集数据集,以所述合作工艺采集数据集为基准对所述工艺流程采集数据存在的缺失部分进行补充完善,进而进行后续分析处理,可有效提高分析结果的精确度。
进一步而言,如图2所示,利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集,本申请步骤S300还包括:
步骤S310:获得工艺流程信息、工艺设备信息;
步骤S320:基于所述工艺流程信息、工艺设备信息设定筛选特征关系在所述云制造平台数据库中进行筛选,获得第一筛选数据集;
步骤S330:根据所述工艺流程采集数据进行采集数据特征提取,获得采集数据特征;
步骤S340:利用所述采集数据特征从所述第一筛选数据集中进行筛选,获得所述合作工艺采集数据集。
具体而言,对仿真工艺流程的所述工艺流程信息与所述工艺设备信息进行获取,所述工艺流程信息包括了完整的工艺流程框图及各流程之间的关联关系,所述工艺设备信息包括了各部分工艺流程所需的工艺设备及相应的设备参数信息,以所述工艺流程信息与所述工艺设备信息为基准进行筛选特征关系的设定,所述筛选特征关系包括各流程特征之间的关联关系与各工艺流程和对应工艺设备之间的关联关系,由于部分数据不能立即进行采集使得获取的所述工艺流程采集数据完整度不够,为了提高工艺流程仿真的实际贴合度,可通过类似参考数据进行确实数据的预估,以进行所述工艺流程采集数据的完善。
进一步的,基于所述云制造平台数据库依据所述筛选特征关系进行数据信息筛选,获取与所述工艺流程信息与所述工艺设备信息类似的数据作为所述第一筛选数据集,进一步的,对所述工艺流程采集数据进行采集数据特征的提取,例如设备用途、原材料属性等,对提取的所述采集数据特征进行归类整合处理,以所述采集数据特征为筛选标准对所述第一筛选数据集进行数据筛选,获取与所述采集数据特征类似的数据作为所述合作工艺采集数据,以所述合作工艺采集数据为基准对所述工艺流程采集数据进行补充完善以提高信息完整度,进而提升后续工艺流程仿真的精度。
步骤S400:获得仿真工艺产品需求参数;
步骤S500:根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;
具体而言,对所述仿真工艺产品的需求参数进行获取,所述仿真工艺产品的需求参数指完成该工艺的基础指标数据,并确定在生产和工艺控制中用到的各个关键产品需求参数的参数范围,示例性的,对于焊接工艺,其工艺产品的需求参数包括了焊条直径、焊接层数、电源类型与焊接电流等,对不同的焊接原材料或不同外环境下,达到预期产品所需的焊接电流、焊接层数等都有所区别,进一步的,基于大数据获取所述仿真工艺产品的标准需求参数,以所述仿真工艺产品需求参数为基准,对两者进行参数信息映射对应,进而对对应的需求参数进行参数偏差值计算,获取所述仿真工艺产品需求参数与所述标准需求参数之间的偏差值,将其作为所述需求参数偏差信息,其中所述需求参数偏差信息与所述仿真工艺产品需求参数一一对应,所述需求参数偏差信息的获取为进行所述合作工艺采集数据的匹配分析提供了基本依据。
步骤S600:基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;
具体而言,通过对所述仿真工艺产品需求参数与所述标准需求参数进行偏差值计算,获得所述需求参数偏差信息,进一步对所述需求参数偏差信息和所述合作工艺采集数据集分别与所述标准需求参数进行参数偏差占比的计算,基于公式参数偏差占比=需求参数偏差值/标准需求参数值,获取所述参数偏差占比与所述合作参数偏差占比,进一步基于两者的相近程度进行权值设置,近似程度较高的产品需求参数对应的合作数据的权值越高,通过进行所述合作工艺采集数据集的权重设置,为后续进行联邦学习后的模型优化提供的依据。
进一步而言,基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置,本申请步骤S600还包括:
步骤S610:基于所述需求参数偏差信息,确定参数偏差占比,其中,所述参数偏差占比=需求参数偏差值/标准需求参数值;
步骤S620:对所述合作工艺采集数据集进行标准需求偏差值计算,确定合作参数偏差占比;
步骤S630:根据所述合作参数偏差占比、参数偏差占比进行相近程度计算,根据相近程度确定权值对所述合作工艺采集数据集中对应的合作工艺采集数据进行权值设置。
具体而言,以所述需求参数偏差信息为基准,依据公式所述参数偏差占比=需求参数偏差值/标准需求参数值,对所述仿真工艺产品需求参数中多个参数分别进行参数偏差占比计算,确定所述参数偏差占比,进一步的,对获取的所述合作工艺采集数据集与所述标准需求参数进行参数偏差值确定,通过进行两者之间的映射比较,确定与所述合作工艺采集数据集对应的所述标准需求参数,进而基于公式合作参数偏差占比=合作参数偏差值/标准需求参数值,对所述合作参数偏差占比进行确定,以所述合作参数偏差占比与所述参数偏差占比为基准,对两者的关联对应参数偏差值进行相近程度计算,进一步进行相似程度分析确定权值,示例性的,假设本地生产产品参数要求为成本最低,则合作数据中对应参数数据低的数据权重较高,按照成本最低要求进行合作数据的匹配;假设本地生产产品要求是产品耐磨腐蚀性高,则合作数据中对应参数的数据权重高,以完成所述合作工艺采集数据中对应的合作工艺采集数据权值设置,通过进行权值合作工艺采集数据的权值设置,可有效提高与所述需求参数信息的匹配贴合度。
步骤S700:利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;
步骤S800:按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
具体而言,基于所述多环境预估采集数据与所述工艺流程采集数据进行所述本地训练数据的组建,进一步将第三方云平台作为进行数据联邦学习的中间辅助平台,将所述本地训练数据传输至所述第三方云平台,进而确定进行联邦学习的合作训练标准模型,基于所述合作工艺采集数据集的合作方,获取多个合作模型训练数据并发送至所述第三方云平台,依据接收到的所有模型训练参数进行联邦学习,以确定联邦模型,通过所述第三方云平台进行与待仿真工艺流程同行业、同特征数据的联邦学习,可有效提高仿真数据的可靠性,进一步的,以所述合作工艺采集数据权值为基准,与本地产品要求近似度高的参数数据权值较高,确定多个合作数据的占比大小,以此为基准进行合作数据的匹配,从所述合作工艺采集数据中选取训练数据进行所述联邦模型的优化训练,确定所述参数优化联邦模型,在此基础上完成所述工艺流程的仿真,通过进行多样本数据的匹配分析,以提高预估结果的可靠性与准确性,基于权值进行优化,可提高所述参数优化联邦模型与本地仿真需求的贴合度。
进一步而言,如图3所示,利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习,本申请步骤S700还包括:
步骤S710:根据所述多环境预估采集数据、所述工艺流程采集数据进行本地参数评估模型训练,获得本地模型训练参数;
步骤S720:将所述本地模型训练参数、本地参数评估模型进行加密发送至第三方训练云平台;
步骤S730:利用所述第三方训练云平台,根据所述本地参数评估模型确定合作训练标准模型,将所述合作训练标准模型按照所述合作工艺采集数据集确定的合作方进行发送;
步骤S740:各合作方利用本地的合作工艺采集数据对所述合作训练标准模型进行训练,获得合作模型训练参数;
步骤S750:所有合作方将获得的所述合作模型训练参数、本地的合作工艺采集数据进行加密发送至第三方训练云平台,第三方训练云平台根据接收到的所有模型参数、工艺采集数据进行模型联邦学习。
具体而言,基于所述多环境预估采集数据与所述工艺流程采集数据组成所述本地训练数据,对构建的本地参数评估模型进行训练,并获取所述本地模型训练参数,所述本地模型训练参数指本地训练数据对应的所述工艺流程的训练参数,进一步将所述本地模型训练参数与所述本地参数评估模型加密发送至所述第三方训练云平台,所述第三方训练云平台指对所述本地训练数据与所述合作训练数据进行综合匹配分析的中间辅助平台,以所述本地参数评估模型为原始模型,利用所述第三方训练云平台确定所述合作训练标准模型,所述合作训练标准模型指对所述本地参数评估模型进行参数指标完善的标准模型,确定所述合作工艺采集数据对应的多个合作方,将所述合作训练标准模型发送至对应的多个合作方。
进一步的,各合作方以本地的所述合作工艺采集数据为基准,分别对所述合作训练标准模型进行训练,获取所述合作模型训练参数,所述合作模型训练参数指各合作方基于本地合作工艺采集数据确定的工艺流程缺失部分的训练参数,进一步各合作方将获取的所述合作模型训练参数与所述本地合作工艺采集数据加密发送至所述第三方训练云平台,所述第三方训练云平台依据接收的所有模型参数与工艺采集数据对所述合作训练标准模型进行联邦学习,以进行模型完善,获取最终确定的联邦模型,所述联邦模型包括了完整的工艺流程与对应的原始数据与生成数据,通过进行模型的分布式联合训练,使得最终确定的模型数据覆盖更全面、与实际贴合度更高。
进一步而言,所述按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,本申请步骤S800还包括:
步骤S810:利用所述合作工艺采集数据集权值,确定联邦学习训练数值占比、联邦模型参数占比;
步骤S820:根据所述联邦模型参数占比从合作模型训练参数中进行参数选择进行联邦模型参数优化;
步骤S830:按照所述联邦学习训练数值占比从所述合作工艺采集数据集中选择联邦学习训练数据,基于选择的合作模型训练参数,进行联邦模型参数优化训练,获得所述参数优化联邦模型。
具体而言,基于所述合作工艺采集数据集权值对获取的所述联邦模型进行优化,以所述合作工艺采集数据集权值为基准对所述联邦学习训练数值占比与所述联邦模型参数占比进行确定,所述联邦学习训练数值占比表述各个所述合作工艺采集数据与本地数据要求的近似程度,权值越高,占比越大,所述联邦模型参数占比为所述工艺流程采集数据中缺失参数的权值大小,以所述联邦模型参数占比作为参数选取准则,从所述合作模型训练参数中选取相应参数对联邦模型进行参数优化,进一步的,基于所述联邦学习训练数值占比从所述合作工艺采集数据中等比进行数据选择,作为所述联邦学习训练数据,对进行参数优化后的所述联邦模型进行模型优化训练,将优化训练完成的所述联邦模型作为所述参数优化联邦模型,通过选择所述合作模型训练参数与所述联邦学习训练数据进行联邦模型优化,使得最终确定的模型所包含的流程数据更加完整,更贴合本地仿真需求。
进一步而言,本申请步骤S830还包括:
步骤S831:根据所述参数优化联邦模型对所述多环境预估采集数据、所述工艺流程采集数据进行评估,获得多环境预估采集数据的评估结果;
步骤S832:根据所述多环境预估采集数据的评估结果对所述多环境预估采集数据进行修正,再利用所述参数优化联邦模型进行评估,得到评估结果满足要求的所述多环境预估采集数据;
步骤S833:利用所述工艺流程采集数据、多环境预估采集数据对工艺流程进行仿真。
具体而言,将初次采集的所述多环境预估采集数据与所述工艺流程采集数据输入所述参数优化联邦模型中,通过进行数据评估获取所述多环境预估采集数据的评估结果,由于数据采集过程中受外环境等因素的影响,使得所采集的数据不可避免的会受到一定偏差影响,以所述多环境预估采集数据的评估结果为参考依据,基于所述多环境预估采集数据与所述评估结果的对应关系,对所述多环境预估采集数据进行偏差修正,进一步基于所述参数优化联邦模型进行评估,确定修正后数据的精准度,以获取评估结果满足要求的所述多环境预估采集数据,进一步的,以所述工艺流程采集数据与所述多环境预估采集数据为数据源,进行工艺流程的仿真,可有效提高工艺流程仿真结果与实际工艺流程的贴合度。
实施例二
基于与前述实施例中一种面向云制造模式的工艺流程仿真方法相同的发明构思,如图4所示,本申请提供了一种面向云制造模式的工艺流程仿真系统,所述系统包括:
数据采集模块a,所述数据采集模块a用于按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;
参数评估模块b,所述参数评估模块b用于根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;
数据匹配模块c,所述数据匹配模块c用于利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;
参数获取模块d,所述参数获取模块d用于获得仿真工艺产品需求参数;
参数计算模块e,所述参数计算模块e用于根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;
权值设置模块f,所述权值设置模块f用于基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;
联邦建模模块g,所述联邦建模模块g用于利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;
模型优化模块h,所述模型优化模块h用于按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
进一步而言,所述系统还包括:
影响性分析模块,所述影响性分析模块用于基于所述采集环境参数进行工艺流程影响关系分析,获得工艺流程影响性参数;
参数确定模块,所述参数确定模块用于根据所述工艺流程影响性参数进行加工全周期变化波动分析,确定多环境预估参数,其中,各环境预估参数包括各环境对应的工艺流程影响性参数波动范围;
数据组建模块,所述数据组建模块用于根据所述工艺流程影响性参数波动范围与历史加工波动数据库进行比对,预估工艺流程参数波动数据,利用各环境的所述工艺流程参数波动数据,组成所述多环境预估采集数据。
进一步而言,所述系统还包括:
偏差分析模块,所述偏差分析模块用于基于所述需求参数偏差信息,确定参数偏差占比,其中,所述参数偏差占比=需求参数偏差值/标准需求参数值;
偏差值计算模块,所述偏差值计算模块用于对所述合作工艺采集数据集进行标准需求偏差值计算,确定合作参数偏差占比;
数据权值设置模块,所述数据权值设置模块用于根据所述合作参数偏差占比、参数偏差占比进行相近程度计算,根据相近程度确定权值对所述合作工艺采集数据集中对应的合作工艺采集数据进行权值设置。
进一步而言,所述系统还包括:
信息获取模块,所述信息获取模块用于获得工艺流程信息、工艺设备信息;
信息筛选模块,所述信息筛选模块用于基于所述工艺流程信息、工艺设备信息设定筛选特征关系在所述云制造平台数据库中进行筛选,获得第一筛选数据集;
特征提取模块,所述特征提取模块用于根据所述工艺流程采集数据进行采集数据特征提取,获得采集数据特征;
数据筛选模块,所述数据筛选模块用于利用所述采集数据特征从所述第一筛选数据集中进行筛选,获得所述合作工艺采集数据集。
进一步而言,所述系统还包括:
本地模型训练参数获取模块,所述本地模型训练参数获取模块用于根据所述多环境预估采集数据、所述工艺流程采集数据进行本地参数评估模型训练,获得本地模型训练参数;
信息发送模块,所述信息发送模块用于将所述本地模型训练参数、本地参数评估模型进行加密发送至第三方训练云平台;
模型确定与发送模块,所述模型确定与发送模块用于利用所述第三方训练云平台,根据所述本地参数评估模型确定合作训练标准模型,将所述合作训练标准模型按照所述合作工艺采集数据集确定的合作方进行发送;
合作模型训练参数获取模块,所述合作模型训练参数获取模块用于各合作方利用本地的合作工艺采集数据对所述合作训练标准模型进行训练,获得合作模型训练参数;
模型联邦学习模块,所述模型联邦学习模块用于所有合作方将获得的所述合作模型训练参数、本地的合作工艺采集数据进行加密发送至第三方训练云平台,第三方训练云平台根据接收到的所有模型参数、工艺采集数据进行模型联邦学习。
进一步而言,所述系统还包括:
信息占比确定模块,所述信息占比确定模块用于利用所述合作工艺采集数据集权值,确定联邦学习训练数值占比、联邦模型参数占比;
模型参数优化模块,所述模型参数优化模块用于根据所述联邦模型参数占比从合作模型训练参数中进行参数选择进行联邦模型参数优化;
联邦模型优化模块,所述联邦模型优化模块用于按照所述联邦学习训练数值占比从所述合作工艺采集数据集中选择联邦学习训练数据,基于选择的合作模型训练参数,进行联邦模型参数优化训练,获得所述参数优化联邦模型。
进一步而言,所述系统还包括:
数据评估模块,所述数据评估模块用于根据所述参数优化联邦模型对所述多环境预估采集数据、所述工艺流程采集数据进行评估,获得多环境预估采集数据的评估结果;
模型评估模块,所述模型评估模块用于根据所述多环境预估采集数据的评估结果对所述多环境预估采集数据进行修正,再利用所述参数优化联邦模型进行评估,得到评估结果满足要求的所述多环境预估采集数据;
流程仿真模块,所述流程仿真模块用于利用所述工艺流程采集数据、多环境预估采集数据对工艺流程进行仿真。
本说明书通过前述对一种面向云制造模式的工艺流程仿真方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种面向云制造模式的工艺流程仿真方法及系统,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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (8)
1.一种面向云制造模式的工艺流程仿真方法,其特征在于,所述方法包括:
按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;
根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;
利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;
获得仿真工艺产品需求参数;
根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;
基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;
利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;
按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
2.如权利要求1所述的方法,其特征在于,根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据,包括:
基于所述采集环境参数进行工艺流程影响关系分析,获得工艺流程影响性参数;
根据所述工艺流程影响性参数进行加工全周期变化波动分析,确定多环境预估参数,其中,各环境预估参数包括各环境对应的工艺流程影响性参数波动范围;
根据所述工艺流程影响性参数波动范围与历史加工波动数据库进行比对,预估工艺流程参数波动数据,利用各环境的所述工艺流程参数波动数据,组成所述多环境预估采集数据。
3.如权利要求1所述的方法,其特征在于,基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置,包括:
基于所述需求参数偏差信息,确定参数偏差占比,其中,所述参数偏差占比=需求参数偏差值/标准需求参数值;
对所述合作工艺采集数据集进行标准需求偏差值计算,确定合作参数偏差占比;
根据所述合作参数偏差占比、参数偏差占比进行相近程度计算,根据相近程度确定权值对所述合作工艺采集数据集中对应的合作工艺采集数据进行权值设置。
4.如权利要求1所述的方法,其特征在于,利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集,包括:
获得工艺流程信息、工艺设备信息;
基于所述工艺流程信息、工艺设备信息设定筛选特征关系在所述云制造平台数据库中进行筛选,获得第一筛选数据集;
根据所述工艺流程采集数据进行采集数据特征提取,获得采集数据特征;
利用所述采集数据特征从所述第一筛选数据集中进行筛选,获得所述合作工艺采集数据集。
5.如权利要求1所述的方法,其特征在于,利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习,包括:
根据所述多环境预估采集数据、所述工艺流程采集数据进行本地参数评估模型训练,获得本地模型训练参数;
将所述本地模型训练参数、本地参数评估模型进行加密发送至第三方训练云平台;
利用所述第三方训练云平台,根据所述本地参数评估模型确定合作训练标准模型,将所述合作训练标准模型按照所述合作工艺采集数据集确定的合作方进行发送;
各合作方利用本地的合作工艺采集数据对所述合作训练标准模型进行训练,获得合作模型训练参数;
所有合作方将获得的所述合作模型训练参数、本地的合作工艺采集数据进行加密发送至第三方训练云平台,第三方训练云平台根据接收到的所有模型参数、工艺采集数据进行模型联邦学习。
6.如权利要求5所述的方法,其特征在于,所述按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,包括:
利用所述合作工艺采集数据集权值,确定联邦学习训练数值占比、联邦模型参数占比;
根据所述联邦模型参数占比从合作模型训练参数中进行参数选择进行联邦模型参数优化;
按照所述联邦学习训练数值占比从所述合作工艺采集数据集中选择联邦学习训练数据,基于选择的合作模型训练参数,进行联邦模型参数优化训练,获得所述参数优化联邦模型。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
根据所述参数优化联邦模型对所述多环境预估采集数据、所述工艺流程采集数据进行评估,获得多环境预估采集数据的评估结果;
根据所述多环境预估采集数据的评估结果对所述多环境预估采集数据进行修正,再利用所述参数优化联邦模型进行评估,得到评估结果满足要求的所述多环境预估采集数据;
利用所述工艺流程采集数据、多环境预估采集数据对工艺流程进行仿真。
8.一种面向云制造模式的工艺流程仿真系统,其特征在于,所述系统包括:
数据采集模块,所述数据采集模块用于按照工艺流程仿真参数要求对本地工艺流程进行仿真数据采集,获得工艺流程采集数据;
参数评估模块,所述参数评估模块用于根据所述工艺流程采集数据进行采集环境参数确定,并基于所述采集环境参数进行多环境参数评估,获得多环境预估采集数据;
数据匹配模块,所述数据匹配模块用于利用云制造平台,根据工艺流程采集数据进行工艺流程合作数据匹配,获得合作工艺采集数据集;
参数获取模块,所述参数获取模块用于获得仿真工艺产品需求参数;
参数计算模块,所述参数计算模块用于根据所述仿真工艺产品需求参数进行标准需求参数偏差值计算,获得需求参数偏差信息;
权值设置模块,所述权值设置模块用于基于所述需求参数偏差信息对所述合作工艺采集数据集进行权值设置;
联邦建模模块,所述联邦建模模块用于利用所述多环境预估采集数据、所述工艺流程采集数据,组成本地训练数据,使用所述本地训练数据与所述合作工艺采集数据集进行联邦学习;
模型优化模块,所述模型优化模块用于按照合作工艺采集数据集权值进行模型参数优化,获得参数优化联邦模型,确定工艺流程仿真参数信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928816.5A CN115221796A (zh) | 2022-08-03 | 2022-08-03 | 一种面向云制造模式的工艺流程仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928816.5A CN115221796A (zh) | 2022-08-03 | 2022-08-03 | 一种面向云制造模式的工艺流程仿真方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221796A true CN115221796A (zh) | 2022-10-21 |
Family
ID=83614906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210928816.5A Pending CN115221796A (zh) | 2022-08-03 | 2022-08-03 | 一种面向云制造模式的工艺流程仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933574A (zh) * | 2023-01-09 | 2023-04-07 | 浙江聚优非织造材料科技有限公司 | 一种生产非织造产品的智能控制方法及系统 |
-
2022
- 2022-08-03 CN CN202210928816.5A patent/CN115221796A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933574A (zh) * | 2023-01-09 | 2023-04-07 | 浙江聚优非织造材料科技有限公司 | 一种生产非织造产品的智能控制方法及系统 |
CN115933574B (zh) * | 2023-01-09 | 2024-04-26 | 浙江聚优非织造材料科技有限公司 | 一种生产非织造产品的智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagpal et al. | A methodology for auto-calibrating urban building energy models using surrogate modeling techniques | |
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
Oraiopoulos et al. | On the accuracy of urban building energy modelling | |
CN110196814B (zh) | 一种软件质量评价方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
EP3499375B1 (en) | Predicting quality of an information system using system dynamics modelling and machine learning | |
Yu et al. | Towards statistical modeling and machine learning based energy usage forecasting in smart grid | |
CN113454552A (zh) | 传感器计量数据整合 | |
CN102004768A (zh) | 自适应分析多维处理系统 | |
CN109902931B (zh) | 一种基于运行数据融合的多态制造系统运行风险建模方法 | |
TWI663570B (zh) | 用電分析伺服器及其用電分析方法 | |
Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN115221796A (zh) | 一种面向云制造模式的工艺流程仿真方法及系统 | |
Evans et al. | Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets | |
US20200311326A1 (en) | Self-service artificial intelligence platform leveraging data-based and physics-based models for providing real-time controls and recommendations | |
Lugaresi et al. | Real-time validation of digital models for manufacturing systems: A novel signal-processing-based approach | |
Huang | Evaluating intelligent residential communities using multi-strategic weighting method in China | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
CN114626655A (zh) | 一种区域综合能源系统多标准综合评价方法 | |
CN111932066A (zh) | 基于模糊层次分析法的智能家居产品智能化程度评价方法 | |
US20170052867A1 (en) | Integrating system dynamics modelling into information system quality measurement in determining quality of an information system |
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 |