CN116224915A - 一种基于联邦学习的分布式制造过程质量监测方法及系统 - Google Patents
一种基于联邦学习的分布式制造过程质量监测方法及系统 Download PDFInfo
- Publication number
- CN116224915A CN116224915A CN202211103332.3A CN202211103332A CN116224915A CN 116224915 A CN116224915 A CN 116224915A CN 202211103332 A CN202211103332 A CN 202211103332A CN 116224915 A CN116224915 A CN 116224915A
- Authority
- CN
- China
- Prior art keywords
- manufacturing process
- monitoring model
- client
- manufacturing
- process monitoring
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种基于联邦学习的分布式制造过程质量监测方法及系统,将联邦学习用于训练制造过程监测模型;使用联邦学习算法可以避免调取客户的制造过程数据,尤其是制造工艺数据,进而让更多的客户愿意参与进来,提高训练样本的广度,提高模型精度和泛化能力;结合联邦学习与统计学方法,加速制造过程质量监测模型训练过程的同时,兼顾企业个性化的制造过程。采用注册授权和同态加密的安全保障方式,避免原始数据泄露,保障数据安全;使用余弦校验方式,避免聚合服务器的模型精度受质量不高的客户端模型污染,也避免服务器端受到恶意的投毒攻击,提高模型精度和收敛速度;采用分布式训练,将模型训练任务分散到各个客户端中进行,提高了训练效率。
Description
技术领域
本发明属于制造过程监测领域,更具体地,涉及一种基于联邦学习的分布式制造过程质量监测方法及系统。
背景技术
随着企业数字化升级的技术基础逐步成熟,中国制造业产业升级的需求越来越迫切,越来越多的企业关注制造过程的质量监测。希望通过制造过程监测提高制造过程的质量稳定性,并及早发现制造异常,减少损失。但是目前制造过程质量监测的应用面临两大难题。首先是训练模型的数据量需要长时间积累,企业制造过程中的数据大都严格保密,服务商很难将各企业的数据拿出来集中训练模型。其次是个性化的制造场景,由于各制造企业的产品不尽相同,工艺参数和加工设备也有一定差别,所以过程质量监测模型往往只能用于特定的用户,才能满足监测精度的要求。所以现有的制造过程监测模型大都在每个企业收集数据,对数据进行归类和标记,用企业自己的数据训练好模型后再用于企业,需要长时间的收集和训练,而且过程中也没有产出对整个行业都有价值的模型。综上所述,制造过程质量监测模型的训练方法有待于进一步发展和改进。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于联邦学习的分布式制造过程质量监测方法及系统,旨在解决现有制造过程质量监测模型不能满足需求的问题。
为实现上述目的,第一方面,本发明提供了一种基于联邦学习的分布式制造过程质量监测方法,包括如下步骤:
中心服务器构建制造过程监测模型,并将制造过程监测模型下发给认证通过的N个客户端,以便各个客户端根据获取的关联制造企业的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对各个制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;以及将训练后的制造过程监测模型通过可信信道发送给中心服务器;一个客户端关联一家制造企业,N个客户端关联的N家制造企业采用同类型的制造工艺;所述制造过程监测模型用于依据监测制造过程的数据,监测制造过程的质量;N为大于1的整数;
所述中心服务器接收N个客户端发送的训练后的制造过程监测模型,并验证接收到的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;
所述中心服务器判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型继续进行训练,直至在中心服务器重新聚合得到的模型收敛;
所述中心服务器收敛后的全局制造过程监测模型发送给各个客户端,以便各个客户端通过收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
在一个可选的示例中,所述制造过程监测模型包括:第一模块和第二模块;
所述第一模块基于深度学习算法从制造过程数据中截取具有代表性的关键数据段;
所述第二模块先基于特征提取算法从所述关键数据段中提取制造过程的多个特征值,随后基于深度学习算法对所述多个特征值进行训练,得到多个特征值对应的加工特征值,所述加工特征值与制造过程质量存在对应关系,能够反映制造过程质量。
在一个可选的示例中,所述中心服务器验证接收到的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度cos(ui,s),计算公式为:其中,s为中心服务器,ui为第i个客户端,cos(ui,s)为中心服务器原始模型/>与第i个客户端训练得到模型/>的余弦相似度;当余弦相似度低于预设参数β,则放弃聚合对应客户端训练得到的模型;
第二方面,本发明提供了一种基于联邦学习的分布式制造过程质量监测方法,包括如下步骤:
客户端分别获取预设时间段内其关联制造企业制造过程的数据;所述客户端为N个,每个客户端关联一家制造企业,共关联N家制造企业,所述N家制造企业采用同类型的制造工艺;N为大于1的整数;
客户端接收中心服务器下发的待训练的制造过程监测模型;
客户端根据获取的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对其关联制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;
客户端将训练后的制造过程监测模型通过可信信道发送给中心服务器,以便中心服务器验证接收到的各个客户端训练后的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,并将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型进行训练,直至在中心服务器重新聚合得到的模型收敛;
客户端接收中心服务器下发的未收敛的全局制造过程监测模型,并结合全局制造过程监测模型更新其本地训练后的制造过程监测模型,并对更新后的本地制造监测模型继续进行训练,并将训练后的制造监测模型发送给中心服务器,直至中心服务器聚合得到的全局制造监测模型收敛;
客户端接收中心服务器下发的收敛的全局制造过程监测模型,通过所述收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
在一个可选的示例中,该方法还包括如下步骤:
客户端确定第三方可信机构公开的公钥和签名方案,并根据所述签名方案、公钥以及客户端的信息生成对应的客户端公私密钥对;
所述客户端将其生成的公钥发送给所述第三方可信机构,以便第三方可信机构根据收到的客户端的公钥为每个客户端生成用第三方可信机构私钥签名的成员证书,以便每个客户端能够通过认证;
客户端通过认证后,接收到中心服务器下发的待训练的制造过程监测模型。
在一个可选的示例中,所述客户端根据获取的制造过程数据对所述制造过程监测模型进行训练,具体为:
每个客户端和中心服务器都具有相同的加密算法,以对制造过程数据和制造过程监测模型加密,则有F(E(x),E(y))=E(xΘy),其中,F为同态加密算法,Θ为明文空间M上的运算,E(·)是M上密钥空间为k的加密函数,以保证数据x和y加密后运算的结果与x和y运算后再加密的结果是相同的。
在一个可选的示例中,客户端接收中心服务器下发的收敛的全局制造过程监测模型后,收敛后的全局过程制造监测模型自动提取出其关联制造企业正常制造生产过程中的部分制造过程数据,将其作为制造过程标记数据,并对标记数据进行监测,得到与生产过程的质量特征统计结果相关的加工特征值,结合统计学的理论,将该质量特征统计结果与后续质检结果结合,设定加工特征值中值和偏差许可范围;
实际加工过程中,当客户端通过全局制造过程监测模型得到的加工特征值落于偏差许可范围内,质量合格;当加工特征值落在偏差许可范围外即为质量不合格;若单次监测质量不合格则判定制造过程产品材料有问题,若连续多次监测质量不合格,则判定制造过程发生异常,应及时停产检修;若特征值中值发生偏差,需结合各个客户端下全局制造过程监测模型的加工特征值中值进行判断,判断是否发生标记值整体偏移,或者制造系统误差发生偏移,并将判断结果实时通知制造企业相关人员,形成智能服务闭环。
第三方面,本发明提供了一种基于联邦学习的分布式制造过程质量监测系统,包括:中心服务器和N个客户端;N为大于1的整数;
所述中心服务器,用于构建制造过程监测模型,并将制造过程监测模型下发给认证通过的客户端;所述制造过程监测模型用于依据监测制造过程的数据,监测制造过程的质量;
所述N个客户端,用于分别获取预设时间段内N家制造企业制造过程的数据;所述N家制造企业采用同类型的制造工艺;
每个客户端,用于根据获取的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对各个制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;以及将训练后的制造过程监测模型通过可信信道发送给中心服务器;
所述中心服务器,用于验证接收到的各个客户端训练后的制造过程监测模型与中心服务器内的原始制造过程监测模型的余弦相似度,并将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型进行训练,直至在中心服务器重新聚合得到的模型收敛;
所述中心服务器,用于将收敛后的全局制造过程监测模型发送给各个客户端;
每个客户端,用于通过所述收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
在一个可选的示例中,该系统还包括:第三方可信机构;
所述第三方可信机构用于生成一组公私密钥对和签名方案,并将所述签名方案和公私密钥对中的公钥公开;
每个客户端,用于根据所述签名方案、公钥以及客户端的信息生成对应的客户端公私密钥对,并将其生成的公钥发送给所述第三方可信机构;
所述第三方可信机构,用于根据收到的客户端的公钥为每个客户端生成用第三方可信机构私钥签名的成员证书,以便每个客户端能够通过认证。
在一个可选的示例中,客户端接收中心服务器下发的收敛的全局制造过程监测模型后,收敛后的全局过程制造监测模型自动提取出其关联制造企业正常制造生产过程中的部分制造过程数据,将其作为制造过程标记数据,并对标记数据进行监测,得到与生产过程的质量特征统计结果相关的加工特征值,结合统计学的理论,将该质量特征统计结果与后续质检结果结合,设定加工特征值中值和偏差许可范围;
实际加工过程中,当客户端通过全局制造过程监测模型得到的加工特征值落于偏差许可范围内,质量合格;当加工特征值落在偏差许可范围外即为质量不合格;若单次监测质量不合格则判定制造过程产品材料有问题,若连续多次监测质量不合格,则判定制造过程发生异常,应及时停产检修;若特征值中值发生偏差,需结合各个客户端下全局制造过程监测模型的加工特征值中值进行判断,判断是否发生标记值整体偏移,或者制造系统误差发生偏移,并将判断结果实时通知制造企业相关人员,形成智能服务闭环。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供一种基于联邦学习的分布式制造过程质量监测方法及系统,通过联邦学习技术,在保障同类型制造工艺的多家制造企业的制造过程数据隐私的前提下,训练出精度更高、泛化能力更强的制造过程质量监测模型。同时为了兼顾不同企业制造过程质量监测的个性化需求以及同行业制造过程质量监控模型的积累,本发明结合制造过程监测技术和统计学检验方法,不同企业相似工艺过程的质量特征将用联邦学习方法训练的制造过程质量监测模型提取,而不同企业的制造过程质量评估将基于统计学检验的方法,将检测数据和样本统计数据做比对来判断,从而实现行业标准与企业个性化定制的统一。
本发明提供一种基于联邦学习的分布式制造过程质量监测方法及系统,联邦学习训练的模型将用于提取各种制造过程工艺的质量特征值,通过该模型处理某一特定企业的标记好的制造过程数据,结合统计学验证的方法,形成该特定企业基于质量特征判断的统计学标准。后续有新的制造过程数据输入时,质量特征提取模型将不断提取该过程的质量特征,并计算统计判断标准的偏差,依据偏差允许来判断是否发生制造过程异常。更进一步,可结合统计假设检验方法,发现制造系统整体劣化趋势,从而可以实时在制造过程数据流中进行异常甄别,避免瑕疵品流向市场。
本发明提供一种基于联邦学习的分布式制造过程质量监测方法及系统,将联邦学习用于训练制造过程监测模型,能够在保障客户数据隐私和安全的条件下保障制造过程监测模型的精度;使用联邦学习算法可以避免调取客户的制造过程数据,尤其是制造工艺数据,进而让更多的客户愿意参与进来,提高训练样本的广度,提高模型精度和泛化能力;结合联邦学习与统计学方法,加速制造过程质量监测模型训练过程的同时,兼顾企业个性化的制造过程。
本发明提供一种基于联邦学习的分布式制造过程质量监测方法及系统,采用注册授权和同态加密的安全保障方式,双重保障客户数据和模型的安全,避免原始数据泄露,保障数据安全;使用余弦校验的方式,避免聚合服务器的模型精度受质量不高的客户端模型污染,也避免服务器端受到恶意的投毒攻击,提高模型精度和收敛速度;采用分布式训练,将模型训练任务分散到各个客户端中进行,降低了服务器端的计算时长和计算力要求,提高了训练效率;降低了企业数字化转型,尤其是中小企业参与数字化升级的门槛,推动我国数字化升级进展。
附图说明
图1是本发明实施例提供的一种基于联邦学习的分布式制造过程质量监测方法流程图;
图2是本发明实施例提供的另一种基于联邦学习的分布式制造过程质量监测方法流程图;
图3是本发明实施例提供的基于联邦学习的分布式制造过程质量监测算法流程图;
图4是本发明实施例提供的基于联邦学习的分布式制造过程质量监测系统的拓扑图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
制造过程监测模型往往需要使用大量的数据来训练,但是由于企业对数据隐私的要求越来越高,获取制造过程数据的壁垒越来越高,大多数情况下需要长时间获取足够的数据来训练模型。另一方面,随着工业场景越来越丰富,制造过程的工艺及设备种类越来越多,对监测模型泛化使用能力的要求提到了新的高度。本发明的目的是在保护制造过程数据隐私的条件下,通过同行业多个企业数据的有效共用,解决制造过程质量监测模型的训练效率、准确率和通用性的问题。
图1是本发明实施例提供的一种基于联邦学习的分布式制造过程质量监测方法流程图;如图1所示,包括如下步骤:
S101,中心服务器构建制造过程监测模型,并将制造过程监测模型下发给认证通过的N个客户端,以便各个客户端根据获取的关联制造企业的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对各个制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;以及将训练后的制造过程监测模型通过可信信道发送给中心服务器;一个客户端关联一家制造企业,N个客户端关联的N家制造企业采用同类型的制造工艺;所述制造过程监测模型用于依据监测制造过程的数据,监测制造过程的质量;N为大于1的整数;
S102,所述中心服务器接收N个客户端发送的训练后的制造过程监测模型,并验证接收到的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;
S103,所述中心服务器判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型继续进行训练,直至在中心服务器重新聚合得到的模型收敛;
S104,所述中心服务器收敛后的全局制造过程监测模型发送给各个客户端,以便各个客户端通过收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
图2是本发明实施例提供的另一种基于联邦学习的分布式制造过程质量监测方法流程图;如图2所示,包括如下步骤:
S201,客户端分别获取预设时间段内其关联制造企业制造过程的数据;所述客户端为N个,每个客户端关联一家制造企业,共关联N家制造企业,所述N家制造企业采用同类型的制造工艺;
S202,客户端接收中心服务器下发的待训练的制造过程监测模型;
S203,客户端根据获取的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对其关联制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;
S204,客户端将训练后的制造过程监测模型通过可信信道发送给中心服务器,以便中心服务器验证接收到的各个客户端训练后的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,并将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型进行训练,直至在中心服务器重新聚合得到的模型收敛;
S205,客户端接收中心服务器下发的未收敛的全局制造过程监测模型,并结合全局制造过程监测模型更新其本地训练后的制造过程监测模型,并对更新后的本地制造监测模型继续进行训练,并将训练后的制造监测模型发送给中心服务器,直至中心服务器聚合得到的全局制造监测模型收敛;
S206,客户端接收中心服务器下发的收敛的全局制造过程监测模型,通过所述收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
图3是本发明实施例提供的基于联邦学习的分布式制造过程质量监测算法流程图;如图3所示,包括以下步骤:
1)客户端数据初始化:
在客户端收集制造过程的人、机、料、法、环及检测数据,具体操作如下:第i个客户端用ui表示,每一个客户端的数据Di={(x1,y1),…,(xn,yn)},其中xi为第i个数据的特征值,yi为第i个数据的标记值;最后对数据分为样本集和验证集,样本集用于训练模型,验证集用于模型精度验证。
制造过程的数据要分解到基础语义层级,从而与同行业其他客户可以共用制造过程数据进行训练。基础语义层级的制造过程数据包即为每一个工艺段的制造过程数据(以机加工为例,每个数据包的内容包括一行G代码,该G代码对应的加工过程数据(如电流、振动等),质检结果,机床型号,刀具型号等标记数据)。
在分解完数据后,还需对数据进行归一化处理,将所有数据与自身数据段中的最大值与最小值之差相除,从而所有数据都在0~1之间。
2)通讯参数初始化:
联邦学习的模型更新需通过可信信道进行传输;由可信第三方机构CA,参与可信信道的搭建,并在初始化阶段生成建立信道必要的系统参数。
3)客户端注册:
加入联邦学习网络的客户端要通过认证才能进入。可信第三方CA首先生成一组公私密钥对,其中CA生成的公钥表示为mpk,私钥表示为msk,该组公私密钥对以(msk,mpk)进行表示,并指定签名方案∑,CA将使用签名方案∑为在联邦学习系统中的各个客户颁发签名证书以提供客户端的身份认证;签名方案∑和CA公私密钥对中的公钥mpk都由CA进行公开;系统中的每一个客户端都会生成自己的公私密钥对,其中,客户端ui生成的公钥用表示,私钥用/>表示,该组公私密钥对用/>表示,该公私密钥对与签名方案∑对应;客户端ui将它的公钥发送给可信第三方CA,由CA为每一个客户端生成用其私钥msk签名的成员证书,使得系统中客户端的身份都能够得到认证。
4)本地模型训练阶段:
如图4所示,中心服务器将模型下发给各客户端,然后在客户现场基于正常数据进行本地制造过程监测模型训练,客户端ui首次训练的初始化模型用表示,第t次训练得到的模型用/>表示,设置最大迭代次数T;为了避免数据和模型被反向推理,数据和模型由同态加密算法加密;所述同态加密算法包括:每个客户端和聚合服务器都具有相同的加密算法,则有F(E(x),E(y))=E(xΘy),其中,F为同态加密算法,Θ为明文空间M上的运算,E(·)是M上密钥空间为k的加密函数,该方式可保证数据x和y加密后运算的结果与x和y运算后再加密的结果是相同的。
本地训练的模型为质量特征提取模型。对于通过设备生产的企业,设备状态间接表征了质量特征,所以质量特征可通过多种设备状态值综合表征。同类型的工艺制造过程,在数据归一化处理后,相关的设备特征值组合相同,截取数据段的逻辑和算法相同,特征值的融合算法也相同。所以对于同类型的工艺过程,针对归一化处理后的数据,可以基于同一个质量特征监测模型开展训练。
其中,制造过程监测模型包括两个模块:第一个模块为制造过程有效数据智能辨识截取模块,该模块基于深度学习算法,自动从制造过程数据中截取代表该制造过程的关键数据段;第二个模块为工况特征谱提取模块,该模型基于特征提取算法(提取如时域特征、频域特征、力学特征等)与深度学习算法,首先通过特征提取算法得到一系列特征值,再通过深度学习算法训练各特征值代表该制造过程特征的权重,训练后可从前一个模块截取的关键数据段中计算出代表该制造过程的加工特征值。检测模型通过制造过程中设备的运行状态数据(包括振动信号、温度信号、声发射信号、控制指令、运动参数等),以及制造质量标识数据进行训练。
5)模型聚合阶段:
将训练后的本地制造过程监测模型通过可信信道发送给中心聚合服务器,避免模型数据被外部获得;在获得监测模型后,聚合服务器将对监测模型的精度进行验证避免被投毒攻击,验证方式为将本地模型与新收到的模型的余弦值来计算相似度,计算公式为/>其中s为服务器,当服务器模型和客户端模型的余弦值低于参数β,则该模型质量较低,可能数据集受到污染或者恶意向服务器攻击,可选择放弃聚合该客户端的模型;通过校验的客户端模型将进入下一步,在聚合服务器中通过加权平均算法,生成全局制造过程监测模型;聚合本地制造过程监测模型参数的加权平均法公式为其中pui为本地故障监测模型参数/>的权重值,权重值可由客户端数据量占比或同行业影响力占比而定;聚合模型后,将在聚合服务器中对全局制造过程监测模型进行检测,通过测试数据计算预测误差值判断全局故障模型是否收敛,若未收敛,聚合服务器将全局制造过程监测模型参发送给各客户端,各客户端收到全局制造过程监测模型并更新本地制造过程监测模型参数,继续迭代训练,直到全局制造过程监测模型收敛,模型训练结束。
制造过程由多种工艺组成,所以本发明会在中心服务器依据基础语义的定义建立工艺库,每个库对应一种基础加工工艺。相同工艺类型的模型才会在中心服务器聚合。
6)模型应用阶段
中心服务器收敛的制造过程监测模型为最终模型,将通过聚合服务器发送给各企业客户端,该监测模型将自动提取出制造过程的质量特征数值。将该模型处理一批制造过程标记数据,将得到生产过程的质量特征统计结果,结合统计学的理论,将该结果与质检结果结合,设定特征值中值和偏差许可范围。实际加工过程中,当特征值落于允差范围内,质量合格;当特征值落在允差范围外即为质量不合格;当单次发现质量不合格多为产品材料问题,如发现多次质量不合格,应为制造过程发生异常,应及时停产检修;当特征值中值发生偏差,需对系统进行标记,看是否发生标记值整体偏移,或者制造系统误差发生偏移。将诊断结果实时通知制造企业相关人员的手持终端或自动控制设备,形成智能服务闭环。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于联邦学习的分布式制造过程质量监测方法,其特征在于,包括如下步骤:
中心服务器构建制造过程监测模型,并将制造过程监测模型下发给认证通过的N个客户端,以便各个客户端根据获取的关联制造企业的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对各个制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;以及将训练后的制造过程监测模型通过可信信道发送给中心服务器;一个客户端关联一家制造企业,N个客户端关联的N家制造企业采用同类型的制造工艺;所述制造过程监测模型用于依据监测制造过程的数据,监测制造过程的质量;N为大于1的整数;
所述中心服务器接收N个客户端发送的训练后的制造过程监测模型,并验证接收到的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;
所述中心服务器判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型继续进行训练,直至在中心服务器重新聚合得到的模型收敛;
所述中心服务器收敛后的全局制造过程监测模型发送给各个客户端,以便各个客户端通过收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
2.根据权利要求1所述的方法,其特征在于,所述制造过程监测模型包括:第一模块和第二模块;
所述第一模块基于深度学习算法从制造过程数据中截取具有代表性的关键数据段;
所述第二模块先基于特征提取算法从所述关键数据段中提取制造过程的多个特征值,随后基于深度学习算法对所述多个特征值进行训练,得到多个特征值对应的加工特征值,所述加工特征值与制造过程质量存在对应关系,能够反映制造过程质量。
4.一种基于联邦学习的分布式制造过程质量监测方法,其特征在于,包括如下步骤:
客户端分别获取预设时间段内其关联制造企业制造过程的数据;所述客户端为N个,每个客户端关联一家制造企业,共关联N家制造企业,所述N家制造企业采用同类型的制造工艺;N为大于1的整数;
客户端接收中心服务器下发的待训练的制造过程监测模型;
客户端根据获取的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对其关联制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;
客户端将训练后的制造过程监测模型通过可信信道发送给中心服务器,以便中心服务器验证接收到的各个客户端训练后的制造过程监测模型与中心服务器内原始制造过程监测模型的余弦相似度,并将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型进行训练,直至在中心服务器重新聚合得到的模型收敛;
客户端接收中心服务器下发的未收敛的全局制造过程监测模型,并结合全局制造过程监测模型更新其本地训练后的制造过程监测模型,并对更新后的本地制造监测模型继续进行训练,并将训练后的制造监测模型发送给中心服务器,直至中心服务器聚合得到的全局制造监测模型收敛;
客户端接收中心服务器下发的收敛的全局制造过程监测模型,通过所述收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
5.根据权利要求4所述的方法,其特征在于,还包括如下步骤:
客户端确定第三方可信机构公开的公钥和签名方案,并根据所述签名方案、公钥以及客户端的信息生成对应的客户端公私密钥对;
所述客户端将其生成的公钥发送给所述第三方可信机构,以便第三方可信机构根据收到的客户端的公钥为每个客户端生成用第三方可信机构私钥签名的成员证书,以便每个客户端能够通过认证;
客户端通过认证后,接收到中心服务器下发的待训练的制造过程监测模型。
7.根据权利要求4至6任一项所述的方法,其特征在于,客户端接收中心服务器下发的收敛的全局制造过程监测模型后,收敛后的全局过程制造监测模型自动提取出其关联制造企业正常制造生产过程中的部分制造过程数据,将其作为制造过程标记数据,并对标记数据进行监测,得到与生产过程的质量特征统计结果相关的加工特征值,结合统计学的理论,将该质量特征统计结果与后续质检结果结合,设定加工特征值中值和偏差许可范围;
实际加工过程中,当客户端通过全局制造过程监测模型得到的加工特征值落于偏差许可范围内,质量合格;当加工特征值落在偏差许可范围外即为质量不合格;若单次监测质量不合格则判定制造过程产品材料有问题,若连续多次监测质量不合格,则判定制造过程发生异常,应及时停产检修;若特征值中值发生偏差,需结合各个客户端下全局制造过程监测模型的加工特征值中值进行判断,判断是否发生标记值整体偏移,或者制造系统误差发生偏移,并将判断结果实时通知制造企业相关人员,形成智能服务闭环。
8.一种基于联邦学习的分布式制造过程质量监测系统,其特征在于,包括:中心服务器和N个客户端;N为大于1的整数;
所述中心服务器,用于构建制造过程监测模型,并将制造过程监测模型下发给认证通过的客户端;所述制造过程监测模型用于依据监测制造过程的数据,监测制造过程的质量;
所述N个客户端,用于分别获取预设时间段内N家制造企业制造过程的数据;所述N家制造企业采用同类型的制造工艺;
每个客户端,用于根据获取的制造过程数据对所述制造过程监测模型进行训练,且在训练过程中通过同态加密算法对制造过程数据和制造过程监测模型进行加密,避免制造过程数据和制造监测模型被反向推理,以对各个制造企业的制造过程数据保密;在制造过程监测模型训练完成后,得到训练后的制造过程监测模型;以及将训练后的制造过程监测模型通过可信信道发送给中心服务器;
所述中心服务器,用于验证接收到的各个客户端训练后的制造过程监测模型与中心服务器内的原始制造过程监测模型的余弦相似度,并将原始制造过程监测模型与接收到的余弦相似度高于预设值的制造过程监测模型聚合,得到全局制造过程监测模型,实现对N家制造企业制造过程数据的联邦学习;判断所述全局制造过程监测模型是否收敛,若未收敛,则将其发送给各个客户端,以便各个客户端对全局制造过程监测模型进行训练,直至在中心服务器重新聚合得到的模型收敛;
所述中心服务器,用于将收敛后的全局制造过程监测模型发送给各个客户端;
每个客户端,用于通过所述收敛的全局过程监测模型,结合其关联制造企业制造过程的数据对其关联制造企业的制造过程质量进行监测。
9.根据权利要求8所述的系统,其特征在于,还包括:第三方可信机构;
所述第三方可信机构用于生成一组公私密钥对和签名方案,并将所述签名方案和公私密钥对中的公钥公开;
每个客户端,用于根据所述签名方案、公钥以及客户端的信息生成对应的客户端公私密钥对,并将其生成的公钥发送给所述第三方可信机构;
所述第三方可信机构,用于根据收到的客户端的公钥为每个客户端生成用第三方可信机构私钥签名的成员证书,以便每个客户端能够通过认证。
10.根据权利要求8或9所述的系统,其特征在于,客户端接收中心服务器下发的收敛的全局制造过程监测模型后,收敛后的全局过程制造监测模型自动提取出其关联制造企业正常制造生产过程中的部分制造过程数据,将其作为制造过程标记数据,并对标记数据进行监测,得到与生产过程的质量特征统计结果相关的加工特征值,结合统计学的理论,将该质量特征统计结果与后续质检结果结合,设定加工特征值中值和偏差许可范围;
实际加工过程中,当客户端通过全局制造过程监测模型得到的加工特征值落于偏差许可范围内,质量合格;当加工特征值落在偏差许可范围外即为质量不合格;若单次监测质量不合格则判定制造过程产品材料有问题,若连续多次监测质量不合格,则判定制造过程发生异常,应及时停产检修;若特征值中值发生偏差,需结合各个客户端下全局制造过程监测模型的加工特征值中值进行判断,判断是否发生标记值整体偏移,或者制造系统误差发生偏移,并将判断结果实时通知制造企业相关人员,形成智能服务闭环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211103332.3A CN116224915A (zh) | 2022-09-09 | 2022-09-09 | 一种基于联邦学习的分布式制造过程质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211103332.3A CN116224915A (zh) | 2022-09-09 | 2022-09-09 | 一种基于联邦学习的分布式制造过程质量监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116224915A true CN116224915A (zh) | 2023-06-06 |
Family
ID=86570287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211103332.3A Pending CN116224915A (zh) | 2022-09-09 | 2022-09-09 | 一种基于联邦学习的分布式制造过程质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289671A (zh) * | 2023-11-27 | 2023-12-26 | 博纯材料股份有限公司 | 高阶锗烷提纯生产控制系统的状态监控方法及系统 |
-
2022
- 2022-09-09 CN CN202211103332.3A patent/CN116224915A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289671A (zh) * | 2023-11-27 | 2023-12-26 | 博纯材料股份有限公司 | 高阶锗烷提纯生产控制系统的状态监控方法及系统 |
CN117289671B (zh) * | 2023-11-27 | 2024-02-02 | 博纯材料股份有限公司 | 高阶锗烷提纯生产控制系统的状态监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11005290B2 (en) | Electric grid control system based on peer-to-peer network | |
US11782421B2 (en) | Framework for privacy-preserving big-data sharing using distributed ledgers | |
CN114866222B (zh) | 一种支持隐私保护的密文数据统计分析系统及方法 | |
CN112214544A (zh) | 基于许可区块链的泛在电力物联网边缘数据安全存储方法 | |
Mirzaee et al. | Smart grid security and privacy: From conventional to machine learning issues (threats and countermeasures) | |
CN116224915A (zh) | 一种基于联邦学习的分布式制造过程质量监测方法及系统 | |
CN114330740A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练系统 | |
CN114710353B (zh) | 一种基于AIoT智能边缘网关的风险管控系统 | |
Klement et al. | Open or not open: Are conventional radio access networks more secure and trustworthy than Open-RAN? | |
CN116540597A (zh) | 一种基于边缘计算的工业控制系统 | |
Jay et al. | Unsupervised learning based intrusion detection for goose messages in digital substation | |
CN113591103A (zh) | 一种电力物联网智能终端间的身份认证方法和系统 | |
Trocoso-Pastoriza et al. | Orchestrating collaborative cybersecurity: a secure framework for distributed privacy-preserving threat intelligence sharing | |
CN116684875A (zh) | 一种电力5g网络切片的通信安全认证方法 | |
CN116668159A (zh) | 一种基于数据分析的计算机网络信息安全监管系统 | |
CN115567191A (zh) | 一种基于设备指纹和国密算法的产线网络安全防护方法 | |
WO2023039676A1 (en) | Methods and systems for assessing and enhancing cybersecurity of a network | |
CN114330741A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练方法 | |
Rakas et al. | Intrusion detection systems in smart grid | |
Sen et al. | On specification-based cyber-attack detection in smart grids | |
CN117407849B (zh) | 一种基于工业互联网技术的工业数据安全保护方法及系统 | |
Wang et al. | Intrusion detection model of SCADA using graphical features | |
CN114666166B (zh) | 工业互联网可信数据获取及存储方法和系统 | |
CN117254954B (zh) | 用于调度管理的直饮水云平台安全接入方法 | |
CN113328863B (zh) | 一种基于零知识证明的移动设备数据采集方法及系统 |
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 |