CN117575423A - 基于联邦学习系统的工业产品质量检测方法及相关设备 - Google Patents
基于联邦学习系统的工业产品质量检测方法及相关设备 Download PDFInfo
- Publication number
- CN117575423A CN117575423A CN202410035885.2A CN202410035885A CN117575423A CN 117575423 A CN117575423 A CN 117575423A CN 202410035885 A CN202410035885 A CN 202410035885A CN 117575423 A CN117575423 A CN 117575423A
- Authority
- CN
- China
- Prior art keywords
- industrial
- quality
- model
- equipment
- product quality
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 239000000047 product Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000012467 final product Substances 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于计算机技术领域,提供了一种基于联邦学习系统的工业产品质量检测方法及相关设备,该方法包括:中央服务器计算设备得分,确定初始优质工业设备;获取共识知识,并确定最终优质工业设备;利用最终优质工业设备的本地数据,对特征提取模型进行训练,并获取最终优质工业设备的设备特征;最终优质工业设备为自身的本地数据添加高斯噪声,并根据设备特征和个性化制导函数,得到独立同分布数据,对产品质量检测模型进行训练,得到训练后的质量检测模型;执行联邦学习,得到每个工业设备的最终产品质量检测模型;每个工业设备利用最终产品质量检测模型进行产品质量检测。本申请能提升工业产品质量检测的准确性。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种基于联邦学习系统的工业产品质量检测方法及相关设备。
背景技术
目前,隐私安全问题愈发引人关注。为解决该问题,联邦学习应运而生。借助于联邦学习,用户可以在不上传本地数据的条件下直接在本地训练模型,只需上传本地模型给服务器,让服务器聚合参与设备上传的本地模型,然后将聚合的全局模型重新下发给参与设备训练,如此迭代以训练出最优模型。
虽然联邦学习的提出才几年,且有着很好的发展前景,但是也存在着许多的挑战,诸如对于联邦学习所使用的数据是由不同用户生成,所以本地设备中所储存的数据大多都是非独立同分布(non-IID,Non-Independent and Identically Distributed)数据,而non-IID数据集会影响联邦学习训练时的性能,使其收敛变慢甚至不能收敛。
而对于non-IID数据集的处理也有许多解决方法。例如Eunjeong Jeong等人提出的联合增强方法、采用带有最大平均差异(MMD,Maximum Mean Discrepancy)约束的双流模型或具有特征融合的联邦学习(FL,Federated Learning)方法。对于联合增强的方法,它是通过生成对抗网络(GAN,Generative Adversarial Network)的判别器和生成器生成新的数据,使原来的non-IID数据扩展成独立同分布(IID,Independent and IdenticallyDistributed)数据集。虽然这种方法提高了模型训练精度和减少了训练的轮数,但是这个方法因为所有设备共享一个共同训练的生成器,且需要用到原始数据,这对数据的隐私性也产生了影响,可能造成数据泄露的问题。对于采用MMD约束的双流模型方法,其是将FL环境中对客户端进行训练的单一模型替换为由全局和局部模型组成的双流模型。而对于具有特征融合的FL方法,其是通过聚合本地与全局模型特征来提高精确性和减少通信轮数,但其精确性在实际应用中仍有所欠缺。
尤其在工业产品质量检测领域,若检测的精确性不佳,将导致严重的生产事故,因此,亟需一种检测精确性优异的工业产品质量检测方法。
发明内容
本申请提供了一种基于联邦学习系统的工业产品质量检测方法及相关设备,可以解决当前工业产品质量检测准确性差的问题。
第一方面,本申请提供了一种基于联邦学习系统的工业产品质量检测方法,联邦学习系统包括一个中央服务器和多个工业设备,每个工业设备中的本地数据为非独立同分布数据,每个工业设备中的本地模型为产品质量检测模型;该工业产品质量检测方法包括:
中央服务器根据每个工业设备的设备信息,计算设备得分,并根据设备得分,从多个工业设备中确定至少一个初始优质工业设备;
中央服务器根据每个初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据共识知识从至少一个初始优质工业设备中确定至少一个最终优质工业设备;
中央服务器利用每个最终优质工业设备的本地数据,对预先构建的特征提取模型进行训练,并利用训练后的特征提取模型获取每个最终优质工业设备的设备特征;
每个最终优质工业设备为自身的本地数据添加高斯噪声,得到噪声数据,并根据自身对应的设备特征和预先构建的用于根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据;
每个最终优质工业设备利用自身的本地数据、独立同分布数据以及预先构建的损失函数,对自身的产品质量检测模型进行训练,得到训练后的产品质量检测模型;
中央服务器对每个工业设备上传的模型参数进行聚合,以聚合后的全局模型作为下一轮训练的下发模型,进行联邦学习迭代训练直至全局模型收敛,得到最终产品质量检测模型;
每个工业设备利用最终产品质量检测模型进行产品质量检测。
可选的,设备信息包括性能指标、可靠性指标、安全指标以及网络情况指标。
可选的,中央服务器根据每个工业设备的设备信息,计算设备得分,并根据设备得分,从多个工业设备中确定至少一个初始优质工业设备,包括:
通过计算公式
得到第个设备得分/>;其中,/>表示第/>个工业设备的性能指标,/>表示第/>个工业设备的可靠性指标,/>表示第/>个工业设备的安全性指标,/>表示第/>个工业设备的网络情况指标,/>均表示权重参数,性能指标包括响应时间、生产速率以及能源效率,可靠性指标包括故障率、平均无故障时间以及平均修复时间,安全性指标包括安全事故率、危险源识别以及紧急停机系统,网络情况指标包括延迟、带宽利用率以及网络可用性;
根据设备得分和预先设置的得分阈值,确定初始优质工业设备;其中,若设备得分大于等于得分阈值,则将工业设备确定为初始优质工业设备。
可选的,根据每个初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据共识知识从至少一个初始优质工业设备中确定至少一个最终优质工业设备,包括:
将初始优质工业设备的本地数据输入产品质量检测模型,得到检测结果;其中,检测结果包括多个候选标签,候选标签用于指示工业产品可能的检测类型;
利用预先构建的高阶置信门对多个候选标签进行过滤,并通过计算公式,得到具有最大置信度的类作为工业产品的标签;其中,/>表示候选标签的置信度;
获取所有初始优质工业设备对应的标签,得到共识标签,并将标签为共识标签的初始优质工业设备确定为中间优质工业设备;
针对每个中间优质工业设备,通过计算公式,得到共识知识/>;其中,/>表示共识标签;
将标签为共识知识的中间优质工业设备确定为最终优质工业设备。
可选的,根据自身对应的设备特征和预先构建的用于根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据,包括:
通过计算公式,得到独立同分布数据/>;其中,/>,,/>,/>表示个性化制导函数,个性化制导函数的表达式如下:
和/>表示制导的缩放因子,用于调节制导的强度,/>表示对内容的引导,/>表示对风格的引导,/>表示图像编码器,/>表示图像编码器第/>层,/>表示图像编码器第/>层的Gram矩阵;
是与数据/>相同维度的潜数,/>为马尔可夫链:
逐方差调度;
通过计算公式
得到独立同分布数据;其中,,/>,/>,/>,,/>表示离散类标签,/>表示/>属于类/>的概率,原始数据/>通过逐步添加高斯噪声成为/>,然后在基于个性化制导函数的约束下,/>逐步降噪得到新的数据/>。
可选的,损失函数的表达式如下:
其中,表示模型损失值,/>表示最后一个网络块的输出,/>表示对齐扩散网络和产品质量检测模型维度的函数,网络模型结构包括输入层、条件编码器、扩散层、输出层。
第二方面,本申请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工业产品质量检测方法。
第三方面,本申请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工业产品质量检测方法。
本申请的上述方案有如下的有益效果:
本申请提供的基于联邦学习系统的工业产品质量检测方法,通过计算设备得分,初步筛选出优质工业设备,能够选择优秀的数据进行产品质量检测,从而提升工业产品质量检测的准确性;根据设备特征和个性化制导函数,能够生成符合设备特性的独立同分布数据的同时,满足用户的个性化需求,从而提升工业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基于联邦学习系统的工业产品质量检测方法的流程图;
图2为本申请一实施例中生成独立同分布数据的示意图;
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。
针对目前工业产品质量检测准确性差的问题,本申请提供了一种基于联邦学习系统的工业产品质量检测方法及相关设备,该方法通过计算设备得分,初步筛选出优质工业设备,进而能够选择优秀的数据进行产品质量检测,从而提升工业产品质量检测的准确性;根据设备特征和个性化制导函数,能够生成符合设备特性的独立同分布数据的同时,满足用户的个性化需求,从而提升工业产品质量检测的准确性。
需要说明的是,本申请提供的工业产品质量检测方法是应用于联邦学习系统中的,借助联邦学习系统,能够有效解决数据隐私泄露的问题,但仅依赖联邦学习系统工业产品质量检测的准确性无法保障。在本申请的实施例中,应用于工业产品质量检测的联邦学习系统包括一个中央服务器和多个工业设备,每个工业设备中的本地数据为非独立同分布数据,每个工业设备中的本地模型为产品质量检测模型。
示例性的,非独立同分布数据指的是数据不满足独立同分布的条件。在独立同分布的情况下,样本之间是相互独立的,并且都来自于同一个分布。而在非独立同分布的情况下,样本之间可能存在相关性,或者它们来自于不同的分布。在工业设备中,可能出现非独立同分布的情况有多种原因:
①传感器差异:不同传感器采集的数据可能有差异,可能由于制造差异、校准不准确等因素导致。
②设备差异:不同型号、不同批次的设备可能有一些差异,导致它们产生的数据有一些不同。
③工作环境变化:工作环境的变化,例如温度、湿度、压力等因素的波动,可能导致数据的分布发生变化。
④设备磨损:长时间运行的设备可能会发生磨损,导致其性能发生变化,进而影响数据的分布。
示例性的,产品质量检测模型可以是:卷积神经网络(CNN)、支持向量机(SupportVector Machine,SVM)、决策树和随机森林、循环神经网络(RNN)、自动编码器(Autoencoder)和深度学习模型(如深度神经网络)等。在选择模型时,需要根据具体的问题和数据情况进行评估。有时,组合多个模型或使用迁移学习等技术也能提高模型性能。对于产品质量检测,数据质量、标注准确性和领域知识的综合利用也是关键因素。
下面对本申请提供的工业产品质量检测方法进行示例性说明。
如图1所示,该工业产品质量检测方法包括以下步骤:
步骤11,中央服务器根据每个工业设备的设备信息,计算设备得分,并根据设备得分,从多个工业设备中确定至少一个初始优质工业设备。
需要说明的是,性能指标是指工业设备衡量工业设备执行任务或功能的效率和能力的度量标准,例如响应时间、生产速率、能源效率等;可靠性指标是指工业设备衡量工业设备在规定时间内保持正常运行状态的能力,例如故障率、平均无故障时间(MTBF)、平均修复时间(MTTR)等;安全性指标是指衡量工业设备在操作和使用过程中对人员、环境和资产的保护程度,例如安全事故率、危险源识别、紧急停机系统等;网络情况指标是指衡量工业设备在联网环境中的连接性和通信性能,例如延迟、带宽利用率、网络可用性等。
需要说明的是,对于设备得分不满足要求的工业设备,其本地数据和本地模型将被暂时搁置,以避免较差的数据源和模型对产品质量检测带来负面影响,其应用阶段将在后文详细说明。
步骤12,中央服务器根据每个初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据共识知识从初始优质工业设备中确定至少一个最终优质工业设备。
需要说明的是,上述共识知识是指:在多个专家、多个模型或多个数据源之间存在一致性的信息、结论或判断。这种一致性可以通过投票或其他集成方法来汇总,以获得更可靠、鲁棒性更强的决策或评估结果。
因为在工业设备的质量监测中,可能涉及到多个方面的信息和多个来源的数据,例如传感器数据、视觉检测结果、专家经验等。每个信息源或模型可能都对设备的状态有一些独特的见解或贡献,但它们也可能存在一些不确定性或局限性。通过知识投票,系统可以综合考虑多个来源的信息,从而获得更全面、可靠的质量评估。
知识投票可以采用不同的形式,如简单的多数投票、加权投票等。在投票中,每个专家、模型或数据源的贡献可能会根据其可信度、准确性等因素进行加权。知识投票的目标是最大程度地减小不确定性,提高系统的整体性能和可信度。
应理解,从初始优质工业设备中确定最终优质工业设备,可以进一步筛选出优质的数据源,从而提升产品质量检测的准确性。
同步骤11的处理方式类似,未被确定为最终优质工业设备的本地数据和本地模型将暂时搁置,其具体应用将在后文详细说明。
步骤13,中央服务器利用每个最终优质工业设备的本地数据,对预先构建的特征提取模型进行训练,并利用训练后的特征提取模型获取每个最终优质工业设备的设备特征。
示例性的,在本申请的实施例中,上述特征提取模型可以是:卷积神经网络(CNN)、循环神经网络(RNN)、注意力机制(Attention Mechanism)、预训练的深度神经网络、长短时记忆网络(LSTM)、变分自动编码器(Variational Autoencoder,VAE)等,根据具体的任务和数据特点选择合适的特征提取模型。
对预先构建的特征提取模型进行训练,并利用训练后的特征提取模型获取每个最终优质工业设备的设备特征的过程如下:
例如一个机械制造设备,我们想要利用深度学习模型提取该设备的运行状态特征。我们将以图像数据为例,使用卷积神经网络(CNN)来提取设备特征。
①数据准备:收集关于该机械设备运行状态的图像数据。这些图像可以包括设备的各个部件、传感器的反馈、工作环境等。每个图像都应该有相应的标签,表示该图像所对应的设备状态(正常或异常)。
②模型选择和训练:选择适当的卷积神经网络结构,并使用带有标签的图像数据进行训练。在训练过程中,模型会学习从图像中提取与设备状态相关的特征。训练的目标是使模型能够准确地分类正常和异常状态。
③模型验证:使用验证集评估模型的性能,确保模型在未见过的数据上有较好的泛化能力。调整模型的超参数,例如学习率、批次大小等,以提高性能。
④特征提取:训练好的模型可以用于提取设备特征。将设备的图像输入到训练好的模型中,获取模型最后一个网络块的输出,即抽象的特征表示。这些特征表示捕捉了图像中与设备状态相关的信息。
⑤特征应用:利用提取到的特征进行设备状态的监测和评估。这可以包括利用聚类算法对设备状态进行分类、将特征输入到其他机器学习模型中进行进一步分析,或者直接用于设备状态的实时监测。
⑥模型部署:如果特征提取的效果良好,可以将模型部署到实际的工业设备中,用于在线实时的状态监测。这样,模型可以持续地提取设备的特征,并帮助工程师及时发现潜在的问题。
这个实例展示了如何利用深度学习模型从设备的图像数据中提取特征,并将这些特征应用于设备状态的监测和评估。实际应用中,需要根据具体场景调整模型结构、训练数据,以及特征的使用方式。
步骤14,每个最终优质工业设备为自身的本地数据添加高斯噪声,得到噪声数据,并根据自身对应的设备特征和预先构建的用以根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据。
具体的,通过计算公式,得到独立同分布数据/>;其中,/>,/>,/>,/>表示个性化制导函数,个性化制导函数的表达式如下:
和/>表示制导的缩放因子,用于调节制导的强度,/>表示对内容的引导,/>表示对风格的引导,/>表示图像编码器,/>表示图像编码器第/>层,/>表示图像编码器第/>层的Gram矩阵;
是与数据/>相同维度的潜数,/>为马尔可夫链:
逐方差调度;
通过计算公式
得到独立同分布数据;其中,,/>,/>,/>,,/>表示离散类标签,/>表示/>属于类/>的概率,原始数据/>通过逐步添加高斯噪声成为/>,然后在基于个性化制导函数的约束下,/>逐步降噪得到新的数据/>。
步骤15,每个最终优质工业设备利用自身的本地数据、独立同分布数据以及预先构建的损失函数,对自身的产品质量检测模型进行训练,得到训练后的质量检测模型。
损失函数的表达式如下:
其中,表示模型损失值,/>表示最后一个网络块的输出,/>表示对齐扩散网络和产品质量检测模型维度的函数,网络模型结构包括输入层、条件编码器、扩散层、输出层。
其中,网络模型结构为:
①输入层:输入包括产品的初始状态图像、可能的外部影响因素等。图像可以是产品的视觉信息,例如使用摄像头拍摄的产品图像。
②条件编码器:将条件信息(如外部环境、生产参数等)嵌入到条件编码器中,得到一个表示条件的向量。这个向量将用于动态调整后续层的结构或参数。
③扩散层:使用卷积神经网络(CNN)结构,负责模拟质量缺陷或异常在产品上的扩散过程。这一层的结构或参数将受到条件编码器输出的影响。通过卷积操作捕捉图像中的局部特征,模拟质量缺陷的传播。
④输出层:输出层负责输出模型对质量缺陷扩散过程的预测结果。可以是一个二值分类(正常/异常)或者回归(表示质量缺陷的强度或位置)任务。
⑤损失函数:根据具体任务选择适当的损失函数,用于衡量模型预测结果与真实情况之间的差异。
整体而言,这个模型结构的核心在于通过引入条件编码器,将外部条件信息嵌入到模型中,使得模型能够动态地调整自身的结构或参数,以适应不同的工业产品质量检测场景。
需要注意的是,具体的任务和数据特点将决定网络的更细节的结构设计。在实际应用中,可能需要通过实验和调整来优化模型的性能。
因此,通过上述基于条件指导下通过扩散模型生成了产品质量监测过程中的独立同分布数据,提高了产品质量监测的准确性。
值得一提的是,由于本地数据为非独立同分布数据,而生成独立同分布数据后,二者结合,就能缓解非独立同分布数据对检测结果的影响。同时,基于构建的模型损失函数,能够进一步优化各工业设备中产品质量检测模型的模型参数,使其达到最优,进而提升产品质量检测的准确性。
步骤16,中央服务器对每个工业设备上传的模型参数进行聚合,以聚合后的全局模型作为下一轮训练的下发模型,进行联邦学习迭代训练直至全局模型收敛,得到最终产品质量检测模型。
示例性的,利用聚合后的全局模型参数执行联邦学习,得到联邦学习系统中每个工业设备的最终产品质量检测模型的过程如下:
中央服务器将聚合得到的全局模型参数下发至每个工业设备。
每个所述工业设备根据所述全局模型参数并利用本地数据进行联邦学习迭代训练,得到最终收敛的全局模型,即所述最终产品质量检测模型。此处执行联邦学习的用到了所有参与联邦学习的工业设备(包括未被确定为初始优质工业设备的工业设备、未被确定为最终优质工业设备的工业设备)的本地数据和本地模型。
步骤17,每个工业设备利用最终产品质量检测模型进行产品质量检测。
具体的,通过将实时采集的产品数据输入最终产品质量检测模型,就能获得产品质量检测结果。示例性的,在本申请的一实施例中,产品质量检测结果可以为优秀、良好、不合格。当产品质量检测结果为不合格时,可以设置相关警报告知生产线的技术人员停机检查,纠察出现故障的地方,保障工业产品的质量。
下面对步骤11(中央服务器根据每个工业设备的设备信息,计算设备得分,并根据设备得分,从多个工业设备中确定至少一个初始优质工业设备)的过程进行示例性说明,具体如步骤11.1~步骤11.2所示。
步骤11.1,通过计算公式
得到第个设备得分/>;其中,/>表示第/>个工业设备的性能指标,/>表示第/>个工业设备的可靠性指标,/>表示第/>个工业设备的安全性指标,/>表示第/>个工业设备的网络情况指标,/>均表示权重参数。其中,性能指标是指工业设备衡量工业设备执行任务或功能的效率和能力的度量标准,例如响应时间、生产速率、能源效率等;可靠性指标是指工业设备衡量工业设备在规定时间内保持正常运行状态的能力,例如故障率、平均无故障时间(MTBF)、平均修复时间(MTTR)等;安全性指标是指衡量工业设备在操作和使用过程中对人员、环境和资产的保护程度,例如安全事故率、危险源识别、紧急停机系统等;网络情况指标是指衡量工业设备在联网环境中的连接性和通信性能,例如延迟、带宽利用率、网络可用性等。
步骤11.2,根据设备得分和预先设置的得分阈值,确定初始优质工业设备。
其中,若设备得分大于等于得分阈值,则将工业设备确定为初始优质工业设备。
下面对步骤12中中央服务器根据每个初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据共识知识从初始优质工业设备中确定至少一个最终优质工业设备的过程进行示例性说明,具体如步骤12.1~步骤12.5所示。
步骤12.1,将本地数据输入产品质量检测模型,得到检测结果。
其中,检测结果包括多个候选标签,候选标签用于指示产品的可能的检测类型。
示例性的,检测类型包括:电气性能测试、机械性能测试、安全性能测试、环境适应性测试、可靠性测试、通信性能测试、质量控制检测、软件和固件测试等。
步骤12.2,利用预先构建的高阶置信门对多个候选标签进行过滤,并通过计算公式,得到具有最大置信度的类作为标签。
其中,表示候选标签的置信度。
步骤12.3,获取所有初始优质工业设备对应的标签,得到共识标签,并将标签为共识标签的初始优质工业设备确定为中间优质工业设备。其中标签通常指的是设备上附加的标识,例如设备型号、制造商信息、技术规格、安全信息、维护要求、条形码、二维码、符合标准和认证、网络连接信息等。
步骤12.4,针对每个中间优质工业设备,通过计算公式,得到共识知识/>。
其中,表示共识标签。
步骤12.5,将标签为共识知识的中间优质工业设备确定为最终优质工业设备。
下面对步骤14中根据自身对应的设备特征和预先构建的用以根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据的过程进行示例性说明,具体如下:
通过计算公式,得到独立同分布数据/>;其中,/>,,/>,/>表示个性化制导函数。其主要过程是扩散模型的一个加噪和降噪过程。
扩散模型是潜变量模型,其形式为,其中/>是与数据相同维度的潜数。联合分布/>称为逆过程,定义为马尔可夫链,从/>:
扩散模型与其他类型的潜变量模型的不同之处在于,近似后向被称为正向过程或扩散过程,它固定在一个马尔可夫链上,并根据方差调度/>逐渐向数据中添加高斯噪声:
正向过程的一个性质是我们可以从原始数据中以封闭形式抽取:
其中,/>。
生成建模是通过学习反向过程来完成的,在反向过程中,通过参数化对角高斯变换来逆转正向过程:
为了学习逆向过程,训练神经网络预测和/>。
引入指导后的新分布可近似为均值偏移的高斯分布:
其中,,/>,/>,y是离散类标签,/>是/>属于类/>的概率,/>表示个性化制导函数。
和/>表示制导的缩放因子,用于调节制导的强度,个性化制导函数的表达式如下:
其中,表示对内容的引导,/>表示对风格的引导,/>表示图像编码器,/>表示图像编码器第/>层,/>表示图像编码器第/>层的Gram矩阵。/>
因此,原始数据通过逐步添加高斯噪声成为/>,然后在基于个性化制导函数的约束下,/>逐步降噪得到新的数据/>。
该过程具体可参考图2。
下面对本申请提供的终端设备进行详细说明。
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,通过中央服务器根据每个工业设备的设备信息,计算设备得分,并根据设备得分,从多个工业设备中确定至少一个初始优质工业设备,中央服务器根据每个初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据共识知识从初始优质工业设备中确定至少一个最终优质工业设备,中央服务器利用每个最终优质工业设备的本地数据,对预先构建的特征提取模型进行训练,并利用训练后的特征提取模型获取每个最终优质工业设备的设备特征,每个最终优质工业设备为自身的本地数据添加高斯噪声,得到噪声数据,并根据自身对应的设备特征和预先构建的用以根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据,每个最终优质工业设备利用自身的本地数据、独立同分布数据以及预先构建的损失函数,对自身的产品质量检测模型进行训练,得到训练后的质量检测模型,中央服务器对训练后的产品质量检测模型的模型参数和其他工业设备的本地模型参数进行聚合,并利用聚合后的全局模型参数执行联邦学习,得到联邦学习系统中每个工业设备的最终产品质量检测模型,每个工业设备利用最终产品质量检测模型进行产品质量检测。其中,通过计算设备得分,初步筛选出优质工业设备,能够选择优秀的数据进行产品质量检测,从而提升工业产品质量检测的准确性;根据设备特征和个性化制导函数,能够生成符合设备特性的独立同分布数据,同时满足用户的个性化需求,从而提升工业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,Random Access 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。
本申请提供的工业产品质量检测方法可以将每个工业设备新生成的数据集发给中央服务器进行训练,处于隐私的考虑,也可以不将生成的新数据发送出去,直接保存在本地,以生成的新数据集作为本地数据集来参与后续的联邦学习训练过程,以此来减少non-IID数据带来的影响。
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 (7)
1.一种基于联邦学习系统的工业产品质量检测方法,所述联邦学习系统包括一个中央服务器和多个工业设备,其特征在于,每个所述工业设备中的本地数据为非独立同分布数据,每个所述工业设备中的本地模型为产品质量检测模型;所述工业产品质量检测方法包括:
所述中央服务器根据每个所述工业设备的设备信息,计算设备得分,并根据所述设备得分,从所述多个工业设备中确定至少一个初始优质工业设备;
所述中央服务器根据每个所述初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据所述共识知识从所述至少一个初始优质工业设备中确定至少一个最终优质工业设备;
所述中央服务器利用每个所述最终优质工业设备的本地数据,对预先构建的特征提取模型进行训练,并利用训练后的特征提取模型获取每个所述最终优质工业设备的设备特征;
每个所述最终优质工业设备为自身的本地数据添加高斯噪声,得到噪声数据,并根据自身对应的设备特征和预先构建的用于根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据;
每个所述最终优质工业设备利用自身的本地数据、所述独立同分布数据以及预先构建的损失函数,对自身的产品质量检测模型进行训练,得到训练后的产品质量检测模型;
所述中央服务器对每个所述工业设备上传的模型参数进行聚合,以聚合后的全局模型作为下一轮训练的下发模型,进行联邦学习迭代训练直至所述全局模型收敛,得到最终产品质量检测模型;
所述每个工业设备利用所述最终产品质量检测模型进行产品质量检测。
2.根据权利要求1所述的工业产品质量检测方法,其特征在于,所述设备信息包括性能指标、可靠性指标、安全指标以及网络情况指标;
所述中央服务器根据每个所述工业设备的设备信息,计算设备得分,并根据所述设备得分,从所述多个工业设备中确定至少一个初始优质工业设备,包括:
通过计算公式
得到第个设备得分/>;其中,/>表示第/>个工业设备的性能指标,/>表示第/>个工业设备的可靠性指标,/>表示第/>个工业设备的安全性指标,/>表示第/>个工业设备的网络情况指标,/>均表示权重参数;其中,所述性能指标包括响应时间、生产速率以及能源效率,可靠性指标包括故障率、平均无故障时间以及平均修复时间,安全性指标包括安全事故率、危险源识别以及紧急停机系统,网络情况指标包括延迟、带宽利用率以及网络可用性;
根据所述设备得分和预先设置的得分阈值,确定初始优质工业设备;其中,若所述设备得分大于等于所述得分阈值,则将所述工业设备确定为所述初始优质工业设备。
3.根据权利要求2所述的工业产品质量检测方法,其特征在于,所述根据每个所述初始优质工业设备中产品质量检测模型的检测结果,获取共识知识,并根据所述共识知识从所述至少一个初始优质工业设备中确定至少一个最终优质工业设备,包括:
将所述初始优质工业设备的本地数据输入所述产品质量检测模型,得到所述检测结果;其中,所述检测结果包括多个候选标签,所述候选标签用于指示工业产品可能的检测类型;
利用预先构建的高阶置信门对所述多个候选标签进行过滤,并通过计算公式,得到具有最大置信度的类作为所述工业产品的标签;其中,/>表示所述候选标签的置信度;
获取所有初始优质工业设备对应的标签,得到共识标签,并将标签为共识标签的初始优质工业设备确定为中间优质工业设备;
针对每个所述中间优质工业设备,通过计算公式,得到所述共识知识/>;其中,/>表示所述共识标签;
将标签为共识知识的中间优质工业设备确定为最终优质工业设备。
4.根据权利要求3所述的工业产品质量检测方法,其特征在于,所述根据自身对应的设备特征和预先构建的用于根据实际需求动态生成独立同分布数据的个性化制导函数,得到独立同分布数据,包括:
通过计算公式,得到独立同分布数据/>;其中,/>,,/>,/>表示个性化制导函数,所述个性化制导函数的表达式如下:
和/>表示制导的缩放因子,用于调节制导的强度,/>表示对内容的引导,表示对风格的引导,/>表示图像编码器,/>表示图像编码器第/>层,/>表示图像编码器第/>层的Gram矩阵;
是与数据/>相同维度的潜数,/>为马尔可夫链:
表示逐方差调度;
通过计算公式
得到独立同分布数据;其中,,/>,/>,/>,/>,表示离散类标签,/>表示/>属于类/>的概率,原始数据/>通过逐步添加高斯噪声成为/>,然后在基于个性化制导函数的约束下,/>逐步降噪得到新的数据/>。
5.根据权利要求1所述的工业产品质量检测方法,其特征在于,所述损失函数的表达式如下:
其中,表示模型损失值,/>表示最后一个网络块的输出,/>表示对齐扩散网络和所述产品质量检测模型维度的函数,所述网络模型结构包括输入层、条件编码器、扩散层、输出层。
6.一种终端设备,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5任一项所述的工业产品质量检测方法。
7.一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5任一项所述的工业产品质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035885.2A CN117575423B (zh) | 2024-01-10 | 2024-01-10 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035885.2A CN117575423B (zh) | 2024-01-10 | 2024-01-10 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575423A true CN117575423A (zh) | 2024-02-20 |
CN117575423B CN117575423B (zh) | 2024-04-16 |
Family
ID=89888395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410035885.2A Active CN117575423B (zh) | 2024-01-10 | 2024-01-10 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575423B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017191872A1 (ko) * | 2016-05-04 | 2017-11-09 | 두산중공업 주식회사 | 플랜트 이상 감지 방법 및 시스템 |
US20190311229A1 (en) * | 2018-04-06 | 2019-10-10 | International Business Machines Corporation | Learning Models For Entity Resolution Using Active Learning |
CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 |
CN113065046A (zh) * | 2021-04-28 | 2021-07-02 | 北京理工大学 | 一种产品缺陷检测设备和方法 |
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 |
CN113988314A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种选择客户端的分簇联邦学习方法及系统 |
CN115952533A (zh) * | 2022-11-18 | 2023-04-11 | 湖南科技大学 | 一种基于差分隐私的个性化联邦学习、识别方法及系统 |
WO2023092792A1 (zh) * | 2021-11-29 | 2023-06-01 | 深圳前海微众银行股份有限公司 | 联邦学习建模优化方法、电子设备、存储介质及程序产品 |
CN116258420A (zh) * | 2023-05-11 | 2023-06-13 | 中南大学 | 一种产品质量检测方法、装置、终端设备及介质 |
CN116306323A (zh) * | 2023-05-19 | 2023-06-23 | 中南大学 | 一种数字孪生模型的确定方法、装置、终端设备及介质 |
WO2023124296A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 |
WO2023217525A1 (en) * | 2022-05-13 | 2023-11-16 | Siemens Aktiengesellschaft | Generating training data to train a machine learning model applied for controlling a production process |
-
2024
- 2024-01-10 CN CN202410035885.2A patent/CN117575423B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017191872A1 (ko) * | 2016-05-04 | 2017-11-09 | 두산중공업 주식회사 | 플랜트 이상 감지 방법 및 시스템 |
US20190311229A1 (en) * | 2018-04-06 | 2019-10-10 | International Business Machines Corporation | Learning Models For Entity Resolution Using Active Learning |
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 |
CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 |
CN113065046A (zh) * | 2021-04-28 | 2021-07-02 | 北京理工大学 | 一种产品缺陷检测设备和方法 |
CN113988314A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种选择客户端的分簇联邦学习方法及系统 |
WO2023092792A1 (zh) * | 2021-11-29 | 2023-06-01 | 深圳前海微众银行股份有限公司 | 联邦学习建模优化方法、电子设备、存储介质及程序产品 |
WO2023124296A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 |
WO2023217525A1 (en) * | 2022-05-13 | 2023-11-16 | Siemens Aktiengesellschaft | Generating training data to train a machine learning model applied for controlling a production process |
CN115952533A (zh) * | 2022-11-18 | 2023-04-11 | 湖南科技大学 | 一种基于差分隐私的个性化联邦学习、识别方法及系统 |
CN116258420A (zh) * | 2023-05-11 | 2023-06-13 | 中南大学 | 一种产品质量检测方法、装置、终端设备及介质 |
CN116306323A (zh) * | 2023-05-19 | 2023-06-23 | 中南大学 | 一种数字孪生模型的确定方法、装置、终端设备及介质 |
Non-Patent Citations (3)
Title |
---|
HONGYU ZHU ET AL.: "Federated learning on non-IID data : A survey", NEUROCOMPUTING, 20 December 2021 (2021-12-20), pages 371 - 390 * |
刘利枚: "基于WC-ITLOWE算子和前景理论的共享单车回收供应商决策方法", 《工业工程与管理》, 31 January 2022 (2022-01-31), pages 164 - 173 * |
吴?;王中卿;周夏冰;周国栋;: "基于用户和产品表示的情感分析和评论质量检测联合模型", 软件学报, no. 08, 15 August 2020 (2020-08-15), pages 214 - 229 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575423B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
US20200160207A1 (en) | Automated model update based on model deterioration | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN111314331B (zh) | 一种基于条件变分自编码器的未知网络攻击检测方法 | |
CN111741002B (zh) | 一种网络入侵检测模型的训练方法和装置 | |
CN109271876A (zh) | 基于时间演化建模和多示例学习的视频动作检测方法 | |
CN112910859A (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN111711608A (zh) | 一种电力数据网流量异常检测方法、系统及电子设备 | |
KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
Li et al. | Research on anomaly detection method of nuclear power plant operation state based on unsupervised deep generative model | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN110677437A (zh) | 基于潜在空间对抗式聚类的用户伪装攻击检测方法及系统 | |
CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
Liu et al. | Multi-step attack scenarios mining based on neural network and Bayesian network attack graph | |
CN116091185A (zh) | 一种客户流失预警方法和装置 | |
US20190188574A1 (en) | Ground truth generation framework for determination of algorithm accuracy at scale | |
CN116451594A (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
Ruan et al. | Deep learning-based fault prediction in wireless sensor network embedded cyber-physical systems for industrial processes | |
US20200160208A1 (en) | Model sharing among edge devices | |
CN117575423B (zh) | 基于联邦学习系统的工业产品质量检测方法及相关设备 | |
KR20200038072A (ko) | 엔트로피 기반 신경망(Neural Networks) 부분학습 방법 및 시스템 | |
CN117171786A (zh) | 一种抵御投毒攻击的去中心化联邦学习方法 | |
US20220269904A1 (en) | Network status classification |
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 |