【技术实现步骤摘要】
本专利技术涉及产品装配质量预测的，尤其涉及到一种基于纵向联邦学习的产品装配质量预测方法及系统。
技术介绍
1、在许多制造场景中，单个产品的生产需要多个制造商的参与，而采用人工智能模型对产品装配质量进行预测时，传统的人工智能模型通常需要对从网络中的多个制造商的数据进行中央处理，也就是说，制造商应该将自己的数据上传到中央服务器，以训练学习模型。但由于某些产品服务数据保密需求较高，这些制造商提供服务时不愿意披露生产过程中产生的数据信息。对此，虽然联邦学习作为一种分布式机器学习技术，可以通过从多个分散的边缘客户端学习来创建全局模型，但同一产品在不同生产环境或检测设备所得到的特征数据往往是不同的，这导致不同的产品装配或检测环境中样本数据特征不相同，而样本id相同且只有检测方拥有特定标签数据，这符合纵向联邦学习的样本数据类型。然而，基于产品装配数据的特点，一方面数据的集中程度低，且某些企业的数据保密要求较高，另一方面，某些数据特征稀缺或分布不均。这将对模型训练带来挑战，联合各参与方训练高质量模型需要建立相应合适的模型。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于纵向联邦学习的产品装配质量预测方法。
2、为实现上述目的，本专利技术所提供的技术方案为：
3、一种基于纵向联邦学习的产品装配质量预测方法，包括：
4、各参与方的数据样本在加密策略下进行样本对齐；
5、各参与方通过各自的已经过对齐的数据样本训练得到各自的本地模型，
6、采用多方安全计算的同态加密方法对各参与方的本地模型进行梯度安全聚合，得到全局模型；
7、对提取并聚合的各参与方中不同设备产生的数据特征进行合并，并采用合并后的数据特征对全局模型进行训练；最后采用训练后的全局模型对产品装配质量进行预测。
8、进一步地，各参与方的数据样本在加密策略下进行样本对齐，包括：使用同态加密方法对各参与方的数据样本进行同态加密操作，接着数据样本在密文的状态下进行对齐操作。
9、进一步地，对齐后的各参与方的数据样本在本地模型中经过两轮多方平行结构后，提取得到数据特征，并对数据特征进行聚合。
10、进一步地，多方平行结构采用定置化数据分区策略将产品装配数据进行数据分区，编码器部分先对分区数据进行层归一化，并通过多头注意力层进行特征提取，进而挖掘参与方内部各装配生产线及各设备装配数据之间的关联关系，以实现特征提取。
11、进一步地，定置化数据分区策略包括：
12、对尺寸为hj×wj的第j台关键装配加工设备数据进行分区操作，将数据切分为nj个数据块：
13、nj＝hjwj/patch_size；
14、patch_size＝phj·pwj；
15、其中，patch_size为数据块尺寸大小，phj和pwj均根据第j台关键装配加工设备的加工特点进行确定，分别为数据块的长度和宽度；
16、在数据分区序列前加入一个可学习分类的信息elementclass，进而得到长度为nj+1的数据分区序列；
17、在对装配产线中每个关键设备数据均采用设备定置化数据分区策略之后，即可将数据输入到对应的编辑器中进行特征提取。
18、为实现上述目的，本专利技术另外提供一种基于纵向联邦学习的产品装配质量预测系统，用于实现上述的基于纵向联邦学习的产品装配质量预测方法，系统包括样本对齐模块、底层模块、联邦交互模块、顶层模块；
19、其中，
20、所述样本对齐模块，用于对各参与方的数据样本在加密策略下进行样本对齐；
21、所述底层模块，基于对齐的数据样本训练得到各参与方的本地模型，基于本地模型提取并聚合对应的参与方中不同设备产生的数据特征；
22、所述联邦交互模块，采用多方安全计算的同态加密方法对各参与方的本地模型进行梯度安全聚合，得到全局模型；
23、所述顶层模块，对提取并聚合的各参与方中不同设备产生的数据特征进行合并，并采用合并后的数据特征对全局模型进行训练；最后采用训练后的全局模型对产品装配质量进行预测。
24、与现有技术相比，本方案原理及优点如下：
25、1、在数据预处理阶段，各参与方的数据样本在加密策略下进行样本对齐，以解决数据不集中、不均匀和稀缺问题。
26、2、各参与方的本地模型采用多方平行结构，而多方平行结构采用定置化数据分区策略将产品装配数据进行数据分区，编码器部分先对分区数据进行层归一化，并通过多头注意力层进行特征提取，进而挖掘参与方内部各装配生产线及各设备装配数据之间的关联关系，达到增强模型特征提取能力的目的。
27、3、采用多方安全计算的同态加密方法对各参与方的本地模型进行梯度安全聚合，得到全局模型，从而实现联合多家分工厂的数据共同训练出高精确度的装配质量预测模型这一目标，实现兼顾多方差异角色可信共享与隐私保护的产品服务研发辅助决。
本文档来自技高网...【技术保护点】
1.一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，各参与方的数据样本在加密策略下进行样本对齐，包括：使用同态加密方法对各参与方的数据样本进行同态加密操作，接着数据样本在密文的状态下进行对齐操作。
3.根据权利要求1所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，对齐后的各参与方的数据样本在本地模型中经过两轮多方平行结构后，提取得到数据特征，并对数据特征进行聚合。
4.根据权利要求3所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，多方平行结构采用定置化数据分区策略将产品装配数据进行数据分区，编码器部分先对分区数据进行层归一化，并通过多头注意力层进行特征提取，进而挖掘参与方内部各装配生产线及各设备装配数据之间的关联关系，以实现特征提取。
5.根据权利要求4所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，定置化数据分区策略包括：
6.一种基于纵向联邦学习的产品装配质量预测系统，用于实现权利
...【技术特征摘要】
1.一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，各参与方的数据样本在加密策略下进行样本对齐，包括：使用同态加密方法对各参与方的数据样本进行同态加密操作，接着数据样本在密文的状态下进行对齐操作。
3.根据权利要求1所述的一种基于纵向联邦学习的产品装配质量预测方法，其特征在于，对齐后的各参与方的数据样本在本地模型中经过两轮多方平行结构后，提取得到数据特征，并对数据特征进行聚合。
4.根据权利要求3所述的一种基于纵向联邦学习的...
【专利技术属性】
技术研发人员：冷杰武，李荣杰，徐才宇，钟元蔚，谢俊星，郑恪悠，刘强，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。