CN116258420B - 一种产品质量检测方法、装置、终端设备及介质 - Google Patents
一种产品质量检测方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN116258420B CN116258420B CN202310526625.0A CN202310526625A CN116258420B CN 116258420 B CN116258420 B CN 116258420B CN 202310526625 A CN202310526625 A CN 202310526625A CN 116258420 B CN116258420 B CN 116258420B
- Authority
- CN
- China
- Prior art keywords
- edge node
- edge
- equipment
- indicate
- industrial
- 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.)
- Active
Links
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本申请适用于联邦学习及数字孪生技术领域,提供了一种产品质量检测方法、装置、终端设备及介质。包括采集目标产品的工序组成数据;计算每个边缘节点的权重;根据所有边缘节点的权重,得到最大设备连接数,并对所有边缘节点进行分组,得到多个边缘节点分组;根据每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将设备信息和产品信息存储到区块链;每个工业设备的学习质量确定联邦学习设备,并根据设备信息和产品信息,进行本地模型训练,得到本地数字孪生模型;计算本地数字孪生模型的全局残差,得到全局数字孪生模型;利用全局数字孪生模型进行质量检测。本申请能提高产品质量检测的准确性。
Description
技术领域
本申请属于联邦学习及数字孪生技术领域,尤其涉及一种产品质量检测方法、装置、终端设备及介质。
背景技术
随着物联网与第五代移动通信技术(5G,5th Generation Mobile CommunicationTechnology)的快速发展,物理世界与信息世界的联系逐渐增强,而数字孪生则是实现物理域和虚拟域互联互通的有效手段。数字孪生技术的高级阶段是构建镜像世界,但由于生产设备的产品数据难共享、隐私性差、实时性信息反馈延迟高等问题,严重影响了产品质量检测的准确性。
发明内容
本申请实施例提供了一种产品质量检测方法、装置、终端设备及介质,可以解决目前产品质量检测的准确性低的问题。
第一方面,本申请实施例提供了一种产品质量检测方法,包括:
采集目标产品的工序组成数据;工序组成数据包括目标产品的产品信息和生产目标产品的多个工业设备的设备信息;
根据设备信息,计算边缘节点网络中每个边缘节点的权重;其中,边缘节点网络包括多个边缘节点,多个边缘节点中的每个边缘节点与至少一个工业设备相对应;
根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组;最大设备连接数表示每个边缘节点连接的工业设备的最大数量;
分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链;
分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,并根据区块链中的设备信息和产品信息,对联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型;联邦学习设备表示参与联邦学习的工业设备;
计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型;
利用全局数字孪生模型对目标产品进行质量检测。
可选的,设备信息包括每秒钟可以执行的浮点运算次数、训练时间、事故率、运行周期、资源占比、训练精度、数据总量、生产任务类型以及是否连接边缘节点。
可选的,根据设备信息,计算边缘节点网络中每个边缘节点的权重,包括:
通过计算公式
得到每个边缘节点的权重;其中,/>表示第/>个边缘节点的权重,/>表示第/>个边缘节点中第/>个工业设备每秒钟可以执行的浮点运算次数,/>,/>表示第个边缘节点中工业设备的总数量,/>表示第/>个边缘节点中第/>个工业设备的安全性,/>表示第/>个边缘节点中第/>个工业设备的事故率,/>表示第/>个边缘节点中第/>个工业设备的运行周期,/>表示第/>个边缘节点中第/>个工业设备的训练时间,/>表示第/>个边缘节点中第/>个工业设备的资源占比,/>表示第/>个边缘节点中第/>个工业设备在第个生产任务上的数据总量,/>,/>表示生产目标产品所需执行的生产任务总数,生产任务表示工业设备生产所述目标产品执行的任务,/>表示第/>个边缘节点中第/>个工业设备在第/>个生产任务上的训练精度。
可选的,根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组,包括:
通过计算公式
得到最大设备连接数;其中,/>表示第/>个工业设备是否连接第/>个边缘节点,表示第/>个工业设备连接第/>个边缘节点,/>表示第/>个工业设备不连接第/>个边缘节点;
通过计算公式
得到个边缘节点分组;其中,/>表示生产目标产品的工业设备的总数量。
可选的,分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,包括:
通过计算公式,得到每个边缘节点的评估值/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的评估值,/>,/>表示第/>个边缘节点分组中第/>个边缘节点的可靠性,/>,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个安全指标,/>,/>表示安全指标的总数量,/>表示参数;
通过计算公式,得到每个边缘节点的平均评估值/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的平均评估值,/>表示第/>个边缘节点分组中边缘节点的总数量;
通过计算公式,得到边缘节点分组的领导者节点/>;其中,/>表示第/>个边缘节点分组的领导者节点。
可选的,分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,包括:
通过计算公式
得到边缘节点中每个工业设备的学习质量;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中的学习质量,,/>表示时间片的总数量,/>表示第/>个边缘节点分组中第/>个边缘节点的所有工业设备在第/>个时间片中的平均参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中参数值,/>表示第/>个边缘节点中所有工业设备在第/>个时间片中的平均梯度的值,/>表示第/>个边缘节点分组中第/>个边缘节点的积极节点的数量,/>表示第/>个边缘节点分组中第/>个边缘节点的消极节点的数量,/>表示影响信度的不确定系数,/>表示工业设备的信度参数,/>表示指示函数;
针对第个边缘节点分组中第/>个边缘节点的所有工业设备,按照学习质量从大到小的顺序进行排序,得到边缘节点对应的工业设备序列/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的工业设备序列;/>,/>表示第个边缘节点分组中第/>个边缘节点的第/>个工业设备,/>;
针对工业设备序列,通过计算公式
得到边缘节点中的联邦学习设备;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的联邦学习设备集合;联邦学习设备集包括/>个联邦学习设备。
可选的,计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到最终数字孪生模型,包括:
针对每个边缘节点中的每个联邦学习设备,通过计算公式,得到联邦学习设备对应的本地数字孪生模型的残差/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的全局残差,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型,/>表示联邦学习设备对应的孪生数据,/>表示联邦学习设备对应的原生数字模型,/>表示联邦学习设备对应的原生数据;
通过计算公式,得到全局残差;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的全局残差。
可选的,根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型,包括:
通过计算公式,得到每个联邦学习设备对应的本地数字孪生模型的新模型参数/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第个工业设备对应的本地数字孪生模型的新模型参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的旧模型参数;
对所有联邦学习设备对应的本地数字孪生模型的新模型参数进行聚合,得到全局数字孪生模型。
第二方面,本申请实施例提供了一种产品质量检测装置,包括:
采集模块,用于采集目标产品的工序组成数据;工序组成数据包括目标产品的产品信息和生产目标产品的多个工业设备的设备信息;
权重模块,用于根据设备信息,计算边缘节点网络中每个边缘节点的权重;其中,边缘节点网络包括多个边缘节点,多个边缘节点中的每个边缘节点与至少一个工业设备相对应;
最大连接模块,用于根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组;最大设备连接数表示每个边缘节点连接的工业设备的最大数量;
数据存储模块,用于分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链;
本地数字孪生模型模块,用于分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,并根据区块链中的设备信息和产品信息,对联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型;联邦学习设备表示参与联邦学习的工业设备;
全局数字孪生模型模块,用于计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型;
质量检测模块,用于利用全局数字孪生模型对目标产品进行质量检测。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的产品质量检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的产品质量检测方法。
本申请的上述方案有如下的有益效果:
在本申请的一些实施例中,根据设备信息,计算边缘节点网络中每个边缘节点的权重,再根据所有边缘节点的权重,得到边缘节点的最大设备连接数,能够解决反馈延迟高的问题,并且能够最大化边缘节点中的工业设备数量,增大数据处理规模,同时减小损坏设备带来的影响,从而提高产品质量检测的准确性;确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链,能够实现对边缘节点的集群管理,同时确保了数据的隐私性,有利于提高产品质量检测的准确性;计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到全局数字孪生模型,解决了设备的产品数据难共享的问题,并且增加了全局数字孪生模型的拟合度,从而提高了产品质量检测的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的产品质量检测方法的流程图;
图2为本申请一实施例提供的产品质量检测装置的结构示意图;
图3为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
针对目前由于生产设备的产品数据难共享、隐私性差、实时性信息反馈延迟高等问题,导致产品质量检测的准确性低的问题,本申请提供了一种产品质量检测方法、装置、终端设备及介质,方法根据设备信息,计算边缘节点网络中每个边缘节点的权重,再根据所有边缘节点的权重,得到边缘节点的最大设备连接数,能够解决反馈延迟高的问题,并且能够最大化边缘节点中的工业设备数量,增大数据处理规模,同时减小损坏设备带来的影响,从而提高产品质量检测的准确性;确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链,能够实现对边缘节点的集群管理,同时确保了数据的隐私性,有利于提高产品质量检测的准确性;计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到全局数字孪生模型,解决了设备的产品数据难共享的问题,并且增加了全局数字孪生模型的拟合度,从而提高了产品质量检测的准确性。
如图1所示,本申请提供的产品质量检测方法包括以下步骤:
步骤11,采集目标产品的工序组成数据。
上述工序组成数据包括目标产品的产品信息和生产目标产品的多个工业设备的设备信息。
具体的,在本申请的一些实施例中,上述产品信息的维度包括:
细度数据(GD,Granulat data)、拐点数据(IPD,Inflection point data)、反馈数据(FD,Feedback data)以及版本数据(VD,Version data)。
示例性的,细度数据包括单体数据(对应产品装配过程中的零部件数据)、部分数据(对应部分组装数据)和整体数据(对应总体组装数据)。在本申请的一实施例中,产品生产过程中细度数据的流向为:产品计划——产品设计——现场装配和车间调度——产品完成——产品检测——质量反馈。
拐点数据包括操作员问题记录数据,通常包括物件基本信息及状态、发生问题的车间和编号、物件执行及监管负责人等信息。
反馈数据表示根据拐点数据得到的结果数据。
版本数据表示根据反馈数据得到的版本更新迭代数据。
步骤12,根据设备信息,计算边缘节点网络中每个边缘节点的权重。
上述边缘节点网络包括多个边缘节点,多个边缘节点中的每个边缘节点与至少一个工业设备相对应。
在本申请的一些实施例中,上述设备信息包括:每秒钟可以执行的浮点运算次数、训练时间、事故率、运行周期、资源占比、训练精度、数据总量、生产任务类型以及是否连接边缘节点。
具体的,通过计算公式
得到每个边缘节点的权重;其中,/>表示第/>个边缘节点的权重,/>表示第/>个边缘节点中第/>个工业设备每秒钟可以执行的浮点运算次数,/>,/>表示第个边缘节点中工业设备的总数量,/>表示第/>个边缘节点中第/>个工业设备的安全性,/>表示第/>个边缘节点中第/>个工业设备的事故率,/>表示第/>个边缘节点中第/>个工业设备的运行周期,/>表示第/>个边缘节点中第/>个工业设备的训练时间,/>表示第/>个边缘节点中第/>个工业设备的资源占比,/>表示第/>个边缘节点中第/>个工业设备在第个生产任务上的数据总量,/>,/>表示生产目标产品所需执行的生产任务总数,生产任务表示工业设备生产所述目标产品执行的任务,/>表示第/>个边缘节点中第/>个工业设备在第/>个生产任务上的训练精度。
步骤13,根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组。
上述最大设备连接数表示每个边缘节点连接的工业设备的最大数量。
值得一提的是,根据所有边缘节点的权重,得到边缘节点的最大设备连接数能够最大化边缘节点中的工业设备数量,增大数据处理规模,同时减小损坏设备带来的影响,从而提高产品质量检测的准确性。
步骤14,分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链。
上述领导者节点表示边缘节点网络中负责协调和管理整个系统的边缘节点,通常拥有更高的权限和更强的性能,可以处理更多的请求和数据,并负责维护整个系统的稳定性和一致性。
下面对步骤14中通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链的具体过程进行示例性说明。
具体的,步骤a,分别定义数据边缘侧分布式账本集合、数据边缘侧智能合约集合/>。
其中,,/>,智能合约集合根据工厂内部需求确定,示例性的,智能合约集合包括能力评估合约(CAC,Capability Assessment Contract)、状态查询合约(SQC,Status query contract)、结果反馈合约(RFC,Result feedback contract)等。
步骤b,通过数据库存储技术,将步骤11采集到的全部数据存放在本地数据中台,并提供API接口以便读写数据中台中的数据。
由于本地数据中台中存放了大量的、不同类型的数据,为避免数据类型混淆,在本申请的一实施例中,分别为产品信息和设备信息分配证书,将其作为参与许可区块链的唯一标识,并将产品信息和设备信息映射到区块链中,通过分布式账本集合来对数据进行维护。示例性的,; />。其中,/>表示证书,均表示智能合约。
步骤c,通过计算公式,得到每个边缘节点分组中所有设备数据对应的聚合数据/>。
其中,表示第/>个边缘节点分组中所有设备数据对应的聚合数据,/>表示第/>个边缘节点分组中边缘节点的数量。
步骤d,对步骤c中得到的聚合数据进行签名和加密。
具体的,;其中,/>表示第/>个边缘节点分组的领导者节点/>的公钥;/>表示对聚合数据/>的签名,表示使用第/>个边缘节点分组的领导者节点/>的公钥对聚合数据进行加密,/>表示异或运算符。
步骤e,对聚合数据进行上链。
具体的,;其中,/>表示哈希函数,/>表示聚合数据上链后对应的哈希值。
步骤f,将保存到分布式账本/>中,表示已经被确认并记录在区块链上,不可更改,同时将/>以键值对的形式保存到分布式账本/>中。
示例性的,,/>表示/>的键值。
步骤g,当中的键值对数量达到预设阈值,则将键值对中的值数据批量上链,形成新的区块并保存到/>中,并清空/>。
具体的, ;其中,/>表示新的区块。
步骤15,分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,并根据区块链中的设备信息和产品信息,对联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型。
上述联邦学习设备表示参与联邦学习的工业设备。
上述根据设备信息和产品信息,对联邦学习设备进行本地模型训练的过程可采用联邦学习中常用的本地模型训练方法,在此不对其进行赘述。
步骤16,计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型。
步骤17,利用全局数字孪生模型对目标产品进行质量检测。
示例性的,将全局数字孪生模型输出的产品质量预测结果和产品质量标准进行比较,可以知晓产品质量不合格的地方,并根据实际生产需要作出相应的改进和完善。
例如,本批次生产的零件有10个螺丝,在可视化反馈的界面存在10个孪生镜像的信息,包括但不限于实际与模拟的残差、产品或设备质量校验不合格的点位,编号等,并根据残差的结果发现不符合质量要求的螺丝。检测人员告知操作员出现质量的位置及具体信息,操作员进行改进和完善。
在本申请的实施例中,步骤17可通过构建相关数据系统实现自动化产品质量检测,具体的,可通过数据系统实时采集全局数字孪生模型的预测结果,并将其与产品质量标准之间的差值可视化展示在用户终端的监测界面上,操作人员根据可视化结果能够清晰的知晓生产环节中,出现故障的工业设备或工序。
在本申请的一些实施例中,可设置定期监测,即:设置定期监测的周期,如:一天、一周或一个月。监测时,对全局数字孪生模型的预测值与实际值进行比较,当两者之间的误差大于预设误差阈值时,说明此时的全局数字孪生模型不再适用,应当重新执行步骤11至步骤17的过程,以确保全局数字孪生模型的实时性和准确性。
下面对步骤13(根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组)的具体过程进行示例性说明。
步骤13.1,通过计算公式
/>
得到最大设备连接数。
其中,表示第/>个工业设备是否连接第/>个边缘节点,/>表示第/>个工业设备连接第/>个边缘节点,/>表示第/>个工业设备不连接第/>个边缘节点。
步骤13.2,通过计算公式
得到个边缘节点分组。
其中,表示生产目标产品的工业设备的总数量。
下面对步骤14中根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点的具体过程进行示例性说明。
步骤14.1,通过计算公式,得到每个边缘节点的评估值/>。
其中,表示第/>个边缘节点分组中第/>个边缘节点的评估值,,/>表示第/>个边缘节点分组中第/>个边缘节点的可靠性,,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个安全指标,/>,/>表示安全指标的总数量,/>表示参数。
步骤14.2,通过计算公式,得到每个边缘节点的平均评估值/>。
其中,表示第/>个边缘节点分组中第/>个边缘节点的平均评估值,/>表示第个边缘节点分组中边缘节点的总数量。
步骤14.3,通过计算公式,得到边缘节点分组的领导者节点/>;其中,/>表示第/>个边缘节点分组的领导者节点。
下面对步骤15中根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备的具体过程进行示例性说明。
步骤15.1,通过计算公式
得到边缘节点中每个工业设备的学习质量。
其中,表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中的学习质量,/>,/>表示时间片的总数量,/>表示第/>个边缘节点分组中第/>个边缘节点的所有工业设备在第/>个时间片中的平均参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中参数值,/>表示第/>个边缘节点中所有工业设备在第/>个时间片中的平均梯度的值,/>表示第/>个边缘节点分组中第/>个边缘节点的积极节点的数量,/>表示第/>个边缘节点分组中第/>个边缘节点的消极节点的数量,/>表示影响信度的不确定系数,/>表示工业设备的信度参数,/>表示指示函数。
在本申请的一些实施例中,上述积极节点表示学习质量大于等于预设阈值的工业设备,上述消极节点表示学习质量小于预设阈值的工业设备。
步骤15.2,针对第个边缘节点分组中第/>个边缘节点的所有工业设备,按照学习质量从大到小的顺序进行排序,得到边缘节点对应的工业设备序列/>。
其中,表示第/>个边缘节点分组中第/>个边缘节点的工业设备序列;,/>表示第/>个边缘节点分组中第/>个边缘节点的第个工业设备,/>。
步骤15.3,针对工业设备序列,通过计算公式/>
得到边缘节点中的联邦学习设备。
其中,表示第/>个边缘节点分组中第/>个边缘节点的联邦学习设备集合;联邦学习设备集包括/>个联邦学习设备。
下面对步骤16中计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差的具体过程进行示例性说明。
首先,针对每个边缘节点中的每个联邦学习设备,通过计算公式,得到联邦学习设备对应的本地数字孪生模型的残差/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的全局残差,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型,/>表示联邦学习设备对应的孪生数据,/>表示联邦学习设备对应的原生数字模型,/>表示联邦学习设备对应的原生数据;
然后,通过计算公式,得到全局残差;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的全局残差。
下面对步骤16中根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型的具体过程进行示例性说明。
步骤16.1,通过计算公式,得到每个联邦学习设备对应的本地数字孪生模型的新模型参数/>。
其中,表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的新模型参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的旧模型参数。
步骤16.2,对所有联邦学习设备对应的本地数字孪生模型的新模型参数进行聚合,得到全局数字孪生模型。
从上述步骤可见,本申请提供的产品质量检测方法根据设备信息,计算边缘节点网络中每个边缘节点的权重,再根据所有边缘节点的权重,得到边缘节点的最大设备连接数,能够解决反馈延迟高的问题,并且能够最大化边缘节点中的工业设备数量,增大数据处理规模,同时减小损坏设备带来的影响,从而提高产品质量检测的准确性;确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链,能够实现对边缘节点的集群管理,同时确保了数据的隐私性,有利于提高产品质量检测的准确性;计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到全局数字孪生模型,解决了设备的产品数据难共享的问题,并且增加了全局数字孪生模型的拟合度,从而提高了产品质量检测的准确性。
下面对本申请提供的产品质量检测装置进行示例性说明。
如图2所示,该产品质量检测装置200包括:
采集模块201,用于采集目标产品的工序组成数据;工序组成数据包括目标产品的产品信息和生产目标产品的多个工业设备的设备信息;
权重模块202,用于根据设备信息,计算边缘节点网络中每个边缘节点的权重;其中,边缘节点网络包括多个边缘节点,多个边缘节点中的每个边缘节点与至少一个工业设备相对应;
最大连接模块203,用于根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组;最大设备连接数表示每个边缘节点连接的工业设备的最大数量;
数据存储模块204,用于分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链;
本地数字孪生模型模块205,用于分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,并根据区块链中的设备信息和产品信息,对联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型;联邦学习设备表示参与联邦学习的工业设备;
全局数字孪生模型模块206,用于计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型;
质量检测模块207,用于利用全局数字孪生模型对目标产品进行质量检测。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
如图3所示,本申请的实施例提供了一种终端设备,如图3所示,该实施例的终端设备D10包括:至少一个处理器D100(图3中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的,所述处理器D100执行所述计算机程序D102时,首先采集目标产品的工序组成数据,然后根据设备信息,计算边缘节点网络中每个边缘节点的权重,再根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组,随后分别针对多个边缘节点分组中的每个边缘节点分组,根据边缘节点分组中每个边缘节点的可靠性和边缘节点的权重,确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链,然后分别针对每个边缘节点,根据边缘节点中每个工业设备的学习质量确定边缘节点中的联邦学习设备,并根据区块链中的设备信息和产品信息,对联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型,再计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型,最后利用全局数字孪生模型对目标产品进行质量检测。其中,根据设备信息,计算边缘节点网络中每个边缘节点的权重,再根据所有边缘节点的权重,得到边缘节点的最大设备连接数,能够解决反馈延迟高的问题,并且能够最大化边缘节点中的工业设备数量,增大数据处理规模,同时减小损坏设备带来的影响,从而提高产品质量检测的准确性;确定边缘节点分组的领导者节点,并通过领导者节点,将边缘节点分组中每个边缘节点对应的工业设备的设备信息和产品信息存储到区块链,能够实现对边缘节点的集群管理,同时确保了数据的隐私性,有利于提高产品质量检测的准确性;计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据全局残差,得到全局数字孪生模型,解决了设备的产品数据难共享的问题,并且增加了全局数字孪生模型的拟合度,从而提高了产品质量检测的准确性。
所称处理器D100可以是中央处理单元(CPU,Central Processing Unit),该处理器D100还可以是其他通用处理器、数字信号处理器 (DSP,Digital Signal Processor)、专用集成电路 (ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元,例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备,例如所述终端设备D10上配备的插接式硬盘,智能存储卡(SMC,SmartMedia Card ),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到产品质量检测/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种产品质量检测方法,其特征在于,包括:
采集目标产品的工序组成数据;所述工序组成数据包括所述目标产品的产品信息和生产所述目标产品的多个工业设备的设备信息;
根据所述设备信息,计算边缘节点网络中每个边缘节点的权重;其中,所述边缘节点网络包括多个边缘节点,所述多个边缘节点中的每个边缘节点与至少一个工业设备相对应;
根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据所述最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组;所述最大设备连接数表示每个边缘节点连接的工业设备的最大数量;
分别针对所述多个边缘节点分组中的每个边缘节点分组,根据所述边缘节点分组中每个边缘节点的可靠性和所述边缘节点的权重,确定所述边缘节点分组的领导者节点,并通过所述领导者节点,将所述边缘节点分组中每个边缘节点对应的工业设备的设备信息和所述产品信息存储到区块链;
分别针对每个边缘节点,根据所述边缘节点中每个工业设备的学习质量确定所述边缘节点中的联邦学习设备,并根据所述区块链中的设备信息和产品信息,对所述联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型;所述联邦学习设备表示参与联邦学习的工业设备;
计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据所述全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型;
利用所述全局数字孪生模型对所述目标产品进行质量检测。
2.根据权利要求1所述的产品质量检测方法,其特征在于,所述设备信息包括每秒钟可以执行的浮点运算次数、训练时间、事故率、运行周期、资源占比、训练精度、数据总量、生产任务类型以及是否连接边缘节点;
所述根据所述设备信息,计算边缘节点网络中每个边缘节点的权重,包括:
通过计算公式
得到所述每个边缘节点的权重;其中,/>表示第/>个边缘节点的权重,/>表示第/>个边缘节点中第/>个工业设备每秒钟可以执行的浮点运算次数,/>,/>表示第个边缘节点中工业设备的总数量,/>表示第/>个边缘节点中第/>个工业设备的安全性,/>表示第/>个边缘节点中第/>个工业设备的事故率,/>表示第/>个边缘节点中第/>个工业设备的运行周期,/>表示第/>个边缘节点中第/>个工业设备的训练时间,/>表示第/>个边缘节点中第/>个工业设备的资源占比,/>表示第/>个边缘节点中第/>个工业设备在第个生产任务上的数据总量,/>,/>表示生产所述目标产品所需执行的生产任务总数,所述生产任务表示工业设备生产所述目标产品执行的任务,/>表示第/>个边缘节点中第/>个工业设备在第/>个生产任务上的训练精度。
3.根据权利要求2所述的产品质量检测方法,其特征在于,所述根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据所述最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组,包括:
通过计算公式
得到所述最大设备连接数;其中,/>表示第/>个工业设备是否连接第/>个边缘节点,表示第/>个工业设备连接第/>个边缘节点,/>表示第/>个工业设备不连接第/>个边缘节点;
通过计算公式
得到个边缘节点分组;其中,/>表示生产所述目标产品的工业设备的总数量。
4.根据权利要求3所述的产品质量检测方法,其特征在于,所述分别针对所述多个边缘节点分组中的每个边缘节点分组,根据所述边缘节点分组中每个边缘节点的可靠性和所述边缘节点的权重,确定所述边缘节点分组的领导者节点,包括:
通过计算公式,得到每个边缘节点的评估值/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的评估值,/>,/>表示第/>个边缘节点分组中第/>个边缘节点的可靠性,/>,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个安全指标,/>,/>表示安全指标的总数量,/>表示参数;
通过计算公式,得到每个边缘节点的平均评估值/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的平均评估值,/>表示第/>个边缘节点分组中边缘节点的总数量;
通过计算公式,得到所述边缘节点分组的领导者节点/>;其中,/>表示第/>个边缘节点分组的领导者节点。
5.根据权利要求4所述的产品质量检测方法,其特征在于,所述分别针对每个边缘节点,根据所述边缘节点中每个工业设备的学习质量确定所述边缘节点中的联邦学习设备,包括:
通过计算公式
得到所述边缘节点中每个工业设备的学习质量;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中的学习质量,,/>表示时间片的总数量,/>表示第/>个边缘节点分组中第/>个边缘节点的所有工业设备在第/>个时间片中的平均参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备在第/>个时间片中参数值,/>表示第/>个边缘节点中所有工业设备在第/>个时间片中的平均梯度的值,/>表示第/>个边缘节点分组中第/>个边缘节点的积极节点的数量,/>表示第/>个边缘节点分组中第/>个边缘节点的消极节点的数量,/>表示影响信度的不确定系数,/>表示工业设备的信度参数,/>表示指示函数;
针对第个边缘节点分组中第/>个边缘节点的所有工业设备,按照学习质量从大到小的顺序进行排序,得到所述边缘节点对应的工业设备序列/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的工业设备序列;/>,/>表示第个边缘节点分组中第/>个边缘节点的第/>个工业设备,/>;
针对所述工业设备序列,通过计算公式
得到所述边缘节点中的联邦学习设备;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的联邦学习设备集合;所述联邦学习设备集包括/>个联邦学习设备。
6.根据权利要求5所述的产品质量检测方法,其特征在于,所述计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据所述全局残差,得到最终数字孪生模型,包括:
针对每个边缘节点中的每个联邦学习设备,通过计算公式,得到所述联邦学习设备对应的本地数字孪生模型的残差;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的全局残差,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型,/>表示所述联邦学习设备对应的孪生数据,表示所述联邦学习设备对应的原生数字模型,/>表示所述联邦学习设备对应的原生数据;
通过计算公式,得到所述全局残差;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的全局残差。
7.根据权利要求6所述的产品质量检测方法,其特征在于,所述根据根据所述全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型,包括:
通过计算公式,得到每个联邦学习设备对应的本地数字孪生模型的新模型参数/>;其中,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的新模型参数,/>表示第/>个边缘节点分组中第/>个边缘节点的第/>个工业设备对应的本地数字孪生模型的旧模型参数;
对所有联邦学习设备对应的本地数字孪生模型的新模型参数进行聚合,得到所述全局数字孪生模型。
8.一种产品质量检测装置,其特征在于,包括:
采集模块,用于采集目标产品的工序组成数据;所述工序组成数据包括所述目标产品的产品信息和生产所述目标产品的多个工业设备的设备信息;
权重模块,用于根据所述设备信息,计算边缘节点网络中每个边缘节点的权重;其中,所述边缘节点网络包括多个边缘节点,所述多个边缘节点中的每个边缘节点与至少一个工业设备相对应;
最大连接模块,用于根据所有边缘节点的权重,得到边缘节点的最大设备连接数,并根据所述最大设备连接数,对所有边缘节点进行分组,得到多个边缘节点分组;所述最大设备连接数表示每个边缘节点连接的工业设备的最大数量;
数据存储模块,用于分别针对所述多个边缘节点分组中的每个边缘节点分组,根据所述边缘节点分组中每个边缘节点的可靠性和所述边缘节点的权重,确定所述边缘节点分组的领导者节点,并通过所述领导者节点,将所述边缘节点分组中每个边缘节点对应的工业设备的设备信息和所述产品信息存储到区块链;
本地数字孪生模型模块,用于分别针对每个边缘节点,根据所述边缘节点中每个工业设备的学习质量确定所述边缘节点中的联邦学习设备,并根据所述区块链中的设备信息和产品信息,对所述联邦学习设备进行本地模型训练,得到用于对该联邦学习设备进行产品质量检测的本地数字孪生模型;所述联邦学习设备表示参与联邦学习的工业设备;
全局数字孪生模型模块,用于计算每个边缘节点中联邦学习设备对应的本地数字孪生模型的全局残差,并根据所述全局残差,得到用于对所有联邦学习设备进行产品质量检测的全局数字孪生模型;
质量检测模块,用于利用所述全局数字孪生模型对所述目标产品进行质量检测。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的产品质量检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的产品质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526625.0A CN116258420B (zh) | 2023-05-11 | 2023-05-11 | 一种产品质量检测方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526625.0A CN116258420B (zh) | 2023-05-11 | 2023-05-11 | 一种产品质量检测方法、装置、终端设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258420A CN116258420A (zh) | 2023-06-13 |
CN116258420B true CN116258420B (zh) | 2023-08-01 |
Family
ID=86682859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310526625.0A Active CN116258420B (zh) | 2023-05-11 | 2023-05-11 | 一种产品质量检测方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258420B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611746B (zh) * | 2023-07-20 | 2024-01-09 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网的产品质量管理方法 |
CN117575423B (zh) * | 2024-01-10 | 2024-04-16 | 湖南工商大学 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
CN114626547A (zh) * | 2022-02-08 | 2022-06-14 | 天津大学 | 一种基于区块链的群组协同学习方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836576B2 (en) * | 2018-04-13 | 2023-12-05 | International Business Machines Corporation | Distributed machine learning at edge nodes |
JP2023507550A (ja) * | 2019-11-25 | 2023-02-24 | ストロング フォース アイオーティ ポートフォリオ 2016,エルエルシー | 産業環境向けインテリジェント振動デジタルツインシステム及び方法 |
US10778706B1 (en) * | 2020-01-10 | 2020-09-15 | Capital One Services, Llc | Fraud detection using graph databases |
CN112132277A (zh) * | 2020-09-21 | 2020-12-25 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
CN113011602B (zh) * | 2021-03-03 | 2023-05-30 | 中国科学技术大学苏州高等研究院 | 一种联邦模型训练方法、装置、电子设备和存储介质 |
CN113419857B (zh) * | 2021-06-24 | 2023-03-24 | 广东工业大学 | 一种基于边缘数字孪生关联的联邦学习方法及系统 |
CN114637262B (zh) * | 2022-03-10 | 2022-11-15 | 天津科技大学 | 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统 |
CN114997537A (zh) * | 2022-08-02 | 2022-09-02 | 广州星空数创网络技术有限公司 | 一种应急调度方法、装置、设备及介质 |
CN115310360A (zh) * | 2022-08-16 | 2022-11-08 | 天津大学 | 基于联邦学习的数字孪生辅助工业物联网可靠性优化方法 |
CN115599799B (zh) * | 2022-11-30 | 2023-03-10 | 中南大学 | 面向医疗大数据的区块链与联邦学习融合方法 |
CN116032663B (zh) * | 2023-03-27 | 2023-06-02 | 湖南红普创新科技发展有限公司 | 基于边缘设备的隐私数据处理系统、方法、设备及介质 |
-
2023
- 2023-05-11 CN CN202310526625.0A patent/CN116258420B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
CN114626547A (zh) * | 2022-02-08 | 2022-06-14 | 天津大学 | 一种基于区块链的群组协同学习方法 |
Non-Patent Citations (1)
Title |
---|
基于DTIM模型的5G网络共建共享运维方案研究与设计;乐建兵;向勇;陈翀;关迎晖;;广东通信技术(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116258420A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116258420B (zh) | 一种产品质量检测方法、装置、终端设备及介质 | |
Liu et al. | Notions of limiting P values based on data depth and bootstrap | |
CN111125737B (zh) | 基于区块链的环境监测系统 | |
CN113792642B (zh) | 一种基于智能化技术的河湖生态治理数据处理方法及系统 | |
CN112529296B (zh) | 水质预测方法、装置及服务器 | |
CN111709756A (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
CN107273234A (zh) | 一种基于eemd的时间序列数据异常值检测和校正方法 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN116306323A (zh) | 一种数字孪生模型的确定方法、装置、终端设备及介质 | |
CN107944219B (zh) | 一种表征不同时段旱涝致灾特征的方法和装置 | |
Stephens et al. | Assessing the reliability of probabilistic flood inundation model predictions | |
CN114022035A (zh) | 一种城市热岛效应内建筑物碳排放评估方法 | |
CN116342177B (zh) | 基于bim的全过程造价咨询服务管理系统 | |
CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
CN112633701A (zh) | 基于区块链的交通工程道路裂缝的巡检方法及系统 | |
CN108429632B (zh) | 一种业务监控方法和装置 | |
CN115375148A (zh) | 基于零知识证明的企业经营风险预警方法及其应用 | |
CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
CN112085624A (zh) | 一种基于云计算的数据处理方法及系统 | |
CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN113792114A (zh) | 一种城市领域知识图谱可信评估方法及系统 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN112235787A (zh) | 一种基于生成对抗网络的位置隐私保护方法 | |
CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
CN109344369B (zh) | 基于原值校验的凭证制作方法及终端设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |