基于联邦学习的汽车生产模具优化方法、系统、设备及介质技术方案

本发明专利技术提供一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质，具体涉及汽车智能制造领域。该方法包括：从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；依次对加密的模具模型进行解密处理与预处理，得到各个参与方的训练数据形成训练数据集合；将参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型；对融合模型进行质量评估，根据质量评估结果选择相应的融合模型融合优化得到联邦学习模型；将所述联邦学习模型发送至请求方，请求方根据联邦学习模型进行本地训练以更新模具模型。本发明专利技术采用联邦学习对数据进行隔离，不会泄漏数据，能够确保数据安全。够确保数据安全。够确保数据安全。

【技术实现步骤摘要】
基于联邦学习的汽车生产模具优化方法、系统、设备及介质


[0001]本专利技术涉及汽车智能制造领域，特别是涉及一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质。

技术介绍

[0002]模具是一种高效率的工艺设备，在汽车生产中，模具的质量直接影响汽车的品质。其中，各个厂商在模具的建立使用参数不尽相同，模型参数决定模具的稳定性能、准确率等。厂商为了使自家生产的模具具有最优性能，需要不断优化更新，于是，多个厂商之间有着共同的需求，那就是持续优化模具模型。然而，在实际汽车生产中，每个厂家的模具模型参数不能对外公开共享，害怕丧失核心技术，也影响了模型的优化进程。因此，亟需一种无需对外公开模型参数的方式来优化模具模型。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质，用于解决现有技术中汽车生产模具优化时，因自身模型的核心参数无法对外共享形成数据孤岛的问题。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于联邦学习的汽车生产模具优化方法，包括：
[0005]从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
[0006]依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
[0007]将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
[0008]对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
[0009]将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
[0010]于本专利技术的一实施例中，所述从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型的步骤，包括：
[0011]获取各个参与方的本地训练数据，根据所述本地训练数据得到本地模型参数，基于所述本地模型参数利用所述本地训练数据进行训练，得到各个参与方非对称加密的生产模具模型。
[0012]于本专利技术的一实施例中，所述依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合的步骤，包括：
[0013]对各个所述模具模型进行解密处理，得到各个参与方的模具模型与本地模型参
数；
[0014]数据对齐各个参与方的模具模型与本地模型参数，得到预设规格的模具模型与本地模型参数；
[0015]将预设规格的所述模具模型与本地模型参数进行分类，并进行特征标记，进行数据聚合后得到训练数据集合与模具模型集合。
[0016]于本专利技术的一实施例中，还包括：根据参与方组合的不同选择相应训练数据集合中的本地模型参数进行训练，将各个参与方所对应的本地模型参数进行加权平均得到融合模型。
[0017]于本专利技术的一实施例中，还包括：对所述融合模型进行质量评估，根据所述质量评估结果中选择排名靠前的融合模型进行融合优化，进而得到优化后的联邦学习模型。
[0018]于本专利技术的一实施例中，采用非对称加密方式通信，其中，所述非对称加密方式为RSA加密算法、ECC加密算法、Diffie
‑
Hellman加密算法、El Gamal加密算法与DSA加密算法中任一种。
[0019]于本专利技术的一实施例中，所述非对称加密方式，具体为：
[0020]将公钥分发给多个参与方，用以对训练过程中需要交换的数据进行加密；
[0021]参与者之间以加密形式交互用于计算梯度值的中间结果；
[0022]基于加密的梯度值进行计算，根据其标签数据计算损失，并把汇总结果给协作者，通过汇总结果计算总梯度值并利用私钥将其解密；
[0023]将解密后的总梯度值分别回传给参与方，参与方根据总梯度值更新各自模型的参数。
[0024]本专利技术在第二方面上提供了一种基于联邦学习的汽车生产模具优化系统，包括：
[0025]模型获取模块，用于从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
[0026]数据处理模块，用于依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
[0027]融合模型生成模块，用于将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
[0028]联邦学习模型优化模块，用于对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
[0029]模具优化模块，用于将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
[0030]本专利技术的第三方面上提供了一种基于联邦学习的汽车生产模具优化设备，包括：
[0031]一个或多个处理装置；
[0032]存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置执行所述基于联邦学习的汽车生产模具优化方法。
[0033]本专利技术的第四方面上提供了一种计算机存储介质，包括：
[0034]其上存储有计算机程序，所述计算机程序用于使所述计算机执行所述基于联邦学
习的汽车生产模具优化方法。
[0035]如上所述，本专利技术多场景应用网关、系统及其控制方法
[0036]本专利技术采用联邦学习方式优化汽车生产的模具模型，一方面，对各个工厂之间的数据进行隔离，不会泄漏数据，能够确保数据安全；另一方面，各个工厂之间协同合作、利益共享，能够实现模型参数的迭代优化；同时，还能够快速有效的优化联邦学习模型，提高数据的安全性。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0038]图1为本专利技术提供的一种基于联邦学习的汽车生产模具优化方法流程图；
[0039]图2为本专利技术提供的一种基于联邦学习的汽车生产模具优化方法业务流程图；
[0040]图3为本专利技术提供的一种基于联邦学习的汽车生产模具优化系统的结构框图；
[0041]图4为本专利技术提供的一种基于联邦学习的汽车生产模具优化系统的技术架构框图；
[0042]图5为本专利技术提供的一种RSA和Hash的机制实施例图；
[0043]图6为本专利技术提供的一种Diffie
‑
Hellman加密方式实施例图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的汽车生产模具优化方法，其特征在于，包括：从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。2.根据权利要求1所述的基于联邦学习的汽车生产模具优化方法，其特征在于，所述从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型的步骤，包括：获取各个参与方的本地训练数据，根据所述本地训练数据得到本地模型参数，基于所述本地模型参数利用所述本地训练数据进行训练，得到各个参与方非对称加密的生产模具模型。3.根据权利要求1或2所述的基于联邦学习的汽车生产模具优化方法，其特征在于，所述依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合的步骤，包括：对各个所述模具模型进行解密处理，得到各个参与方的模具模型与本地模型参数；数据对齐各个参与方的模具模型与本地模型参数，得到预设规格的模具模型与本地模型参数；将预设规格的所述模具模型与本地模型参数进行分类，并进行特征标记，进行数据聚合后得到训练数据集合与模具模型集合。4.根据权利要求1所述的基于联邦学习的汽车生产模具优化方法，其特征在于，还包括：根据参与方组合的不同选择相应训练数据集合中的本地模型参数进行训练，将各个参与方所对应的本地模型参数进行加权平均得到融合模型。5.根据权利要求1或4所述的基于联邦学习的汽车生产模具优化方法，其特征在于，还包括：对所述融合模型进行质量评估，根据所述质量评估结果中选择排名靠前的融合模型进行融合优化，进而得到优化后的联邦学习模型。6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：王晓虎，黄泊源，陈浩楠，汪哲逸，宋佳鑫，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：