CN116643537B - 基于隐私保护的数控参数优化方法、装置、设备及介质 - Google Patents
基于隐私保护的数控参数优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116643537B CN116643537B CN202310929893.7A CN202310929893A CN116643537B CN 116643537 B CN116643537 B CN 116643537B CN 202310929893 A CN202310929893 A CN 202310929893A CN 116643537 B CN116643537 B CN 116643537B
- Authority
- CN
- China
- Prior art keywords
- node
- numerical control
- optimization
- nodes
- similarity
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 148
- 230000008569 process Effects 0.000 claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000003754 machining Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
-
- 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
- G05B2219/32139—Select at workstation control parameters for cell, node
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于隐私保护的数控参数优化方法、装置、设备及介质，涉及数控加工技术领域，方法包括：将参与节点划分为主节点和工作节点；构造初始工艺参数优化模型，并通过主节点将初始工艺参数优化模型所对应的模型参数发送至各工作节点；基于工作节点，对初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至主节点；通过主节点，对各工作节点返回的本地优化结果进行聚合分析，得到全局优化结果。通过划分主节点和各工作节点，可以在不将原始数据传输到主节点的情况下进行模型训练和参数优化，从而保护数据的隐私，将分布在多个数控设备上的数据利用起来，实现跨设备的模型训练和参数优化，提高优化效果。
Description
技术领域
本发明涉及数控加工技术领域，尤其涉及一种基于隐私保护的数控参数优化方法、装置、设备及介质。
背景技术
对于数控工艺来说，传统的工艺参数优化通常需要集中式收集和处理大量的敏感数据，容易产生隐私保护的问题。
并且，在数控加工过程中，可能存在多个分散的机床或工厂，每个机床都具有不同的工艺参数和数据特征，通常需要离线处理数据和进行模型训练，难以及时响应实时变化的工艺条件。
发明内容
针对现有技术存在的集中式收集和处理敏感数据，不能实现工艺参数隐私保护的问题，本发明提供一种基于隐私保护的数控参数优化方法、装置、设备及介质，旨在实现工艺参数的隐私保护。
本发明实施例提供一种基于隐私保护的数控参数优化方法，包括：
确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
根据本发明提供的一种基于隐私保护的数控参数优化方法，确定参与数控工艺参数优化的多个参与节点，具体包括：
确定报名参与数控工艺参数优化的若干个待定节点，并确定所述待定节点对应的节点标签，其中，每个所述待定节点包括至少一个节点标签，所述节点标签包括数控设备方、数据持有方；
针对所述数控设备方，确定其对应的数控设备信息，所述数控设备信息包括数控设备类型、数控设备数量、数控***；针对所述数据持有方，确定其对应的工艺参数数据集，所述工艺参数数据集包括数据数量、数据来源设备、数据类型；
针对每个待定节点，生成用于表示所述待定节点的数组，每个待定节点至少对应一个数组，所述数组包括所述数控设备信息对应的第一数组集合，以及所述工艺参数数据集对应的第二数组集合；
在所述待定节点中，选取同时具有第一数组集合和第二数组集合的第一待定节点，并对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点；
在所述待定节点中，针对除了所述第一待定节点之外，剩余的第二待定节点，将所述第二待定节点与已选取的第一参与节点进行相似度分析，并将超过预设相似度的节点，作为第二参与节点；
将所述第一参与节点和所述第二参与节点，均作为参与数控工艺参数优化的参与节点。
根据本发明提供的一种基于隐私保护的数控参数优化方法，对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点，具体包括：
针对所述第一待定节点包含的所述第一数组集合和所述第二数组集合，分别生成对应的第一向量集合和第二向量集合，每个向量集合中包含多个向量，每个向量表示单个设备对应的数控设备信息，或，工艺参数数据集中的单行数据；
根据所述第一向量集合、所述第二向量集合，分别生成对应的第一矩阵和第二矩阵；
在所述第一待定节点中，根据本次数控工艺参数优化的要求，选取基准节点，并确定所述基准节点对应的第一基准矩阵和第二基准矩阵；
针对所述第一待定节点中，除了所述基准节点之外的其他节点，将所述其他节点对应的第一矩阵，与所述第一基准矩阵之间进行相似度对比，得到第一相似度；
将所述第一相似度超过预设阈值的其他节点作为第一参与节点，并针对所述第一相似度未超过预设阈值的其他节点，将其对应的第二矩阵与所述第二基准矩阵之间进行相似度对比，得到第二相似度；
将所述第一相似度未超过预设阈值，且所述第二相似度超过预设阈值的其他节点同时作为第一参与节点。
根据本发明提供的一种基于隐私保护的数控参数优化方法，将所述第二待定节点与已选取的参与节点进行相似度比较，并将超过预设相似度的节点，作为第二参与节点，具体包括：
将所述第一相似度超过预设阈值的第一参与节点所对应的，第一矩阵和第二矩阵分别进行均值计算，分别得到第一平均矩阵和第二平均矩阵；
针对每个所述第二待定节点，将其包含的第一数组集合或所述第二数组集合，生成对应的第一向量集合或第二向量集合，并生成对应的第一矩阵或第二矩阵；
将第一矩阵或第二矩阵，与第一平均矩阵或第二平均矩阵进行相似度对比，得到第三相似度；
将所述第三相似度超过预设阈值的第二待定节点作为第二参与节点。
根据本发明提供的一种基于隐私保护的数控参数优化方法，通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，具体包括：
通过所述主节点，确定每个工作节点对应的评价指标，所述评价指标包括数据质量、设备性能、历史优化结果中的至少一种；
根据所述评价指标，确定所述工作节点对应的权重，并根据各工作节点对应的所有权重，求得所述权重对应的中间值，所述中间值为平均值或中位数；
将权重低于所述中间值的所述第一参与节点对应的权重，修改为所述中间值，并将权重高于所述中间值的所述第二参与节点对应的权重，修改为所述中间值；
按照各工作节点对应的权重，对返回的所述本地优化结果进行聚合分析，得到全局优化结果。
根据本发明提供的一种基于隐私保护的数控参数优化方法，得到全局优化结果之后，所述方法还包括：
确定与所述全局优化结果最接近的若干个本地优化结果，并确定所述若干个本地优化结果所对应的优化算法；
为最接近的所述若干个本地优化结果，按照接近程度从高到低，依次从高到低赋予相应的评分；
根据所述评分得到所对应的优化算法中，每个优化算法的总评分，并确定总评分最高的优化算法；
在下一轮数控工艺参数优化过程中，提高使用所述总评分最高的优化算法的工作节点的权重。
根据本发明提供的一种基于隐私保护的数控参数优化方法，所述运动要素包括主轴速度、切削深度、进给速度中的至少一种；所述优化目标包括工件表面质量、加工时间、加工能耗中的至少一种；所述约束条件包括工艺参数范围、最大切削力、最小表面粗糙度中的至少一种。
本发明还提供一种基于隐私保护的数控参数优化装置，包括：
节点划分模块，确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
模型构造模块，以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
本地优化模块，基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
全局优化模块，通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述基于隐私保护的数控参数优化方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于隐私保护的数控参数优化方法。
本发明提供的基于隐私保护的数控参数优化方法，通过划分主节点和各工作节点，可以在不将原始数据传输到主节点（比如，中央服务器）的情况下进行模型训练和参数优化，从而保护数据的隐私，将分布在多个数控设备上的数据利用起来，实现跨设备的模型训练和参数优化，提高优化效果。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于隐私保护的数控参数优化方法的流程示意图；
图2是本发明提供的基于隐私保护的数控参数优化装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的一种基于隐私保护的数控参数优化方法，包括步骤：
S100，确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点。
参与节点可以是具体到单个数控设备，也可以是数控设备组，或者是掌握数控设备或相关数据的企业、组织。每次数控工艺参数优化的过程所针对的目标不同（比如，只针对指定性能之上，或者指定类型的数控设备进行数控工艺参数优化），各节点均可报名参与数控工艺参数优化过程，但是需要在其中进行筛选，以得到符合本次目标要求，且之间相似度较高的节点，作为参与节点。
具体地，确定报名参与数控工艺参数优化的若干个待定节点，每个待定节点设置的节点标签，该节点标签可以由节点在报名时由自身进行填写。每个待定节点包括至少一个节点标签，节点标签包括数控设备方（指的是本节点拥有数控设备）、数据持有方（指的是本节点拥有相关的数据），当然，一个节点也可以同时包含这两个标签。
针对数控设备方，确定其对应的数控设备信息，数控设备信息包括数控设备类型、数控设备数量、数控***；针对数据持有方，确定其对应的工艺参数数据集，工艺参数数据集包括数据数量、数据来源设备、数据类型。当然，数控设备方可以包括多个数控设备，每个数控设备均对应于单个的数控设备信息，类似地，工艺参数数据集中也可以包含多条数据。
针对每个待定节点，生成用于表示待定节点的数组集合，每个待定节点至少对应一个数组集合，数组集合包括数控设备信息对应的第一数组集合，以及工艺参数数据集对应的第二数组集合。一个数组集合中包含若干个数组，一个数组中包含多条数据，每条数据可以对应于一条数控设备信息或者工艺参数数据集中的一行数据。
在待定节点中，选取同时具有第一数组集合和第二数组集合的第一待定节点（也就是同时作为数控设备方和数据持有方），并对第一待定节点进行相似度分析，以根据相似度分析结果在第一待定节点中选取至少部分节点，作为第一参与节点。比如，通过聚类分析、矩阵对比分析等方式进行相似度分析。
在待定节点中，针对除了第一待定节点之外，剩余的第二待定节点，将第二待定节点与已选取的第一参与节点进行相似度分析，并将超过预设相似度的节点，作为第二参与节点。第一参与节点是同时拥有数控设备和相关数据的参与节点，第二参与节点只具有数控设备，或者只拥有相关数据。
将第一参与节点和第二参与节点，均作为参与数控工艺参数优化的参与节点。
进一步地，在进行相似度分析选取第一参与节点时，针对第一待定节点包含的第一数组集合和第二数组集合，分别生成对应的第一向量集合和第二向量集合，其中，每个向量集合中包含多个向量，每个向量表示单个设备对应的数控设备信息，或，工艺参数数据集中的单行数据。对于数组集合中的每个数组来说，其包含三种数据，比如，数控设备信息包括数控设备类型、数控设备数量、数控***，工艺参数数据集包括数据数量、数据来源设备、数据类型，故而单个数组生成的单个向量为三维向量。
根据第一向量集合、第二向量集合，分别生成对应的第一矩阵和第二矩阵，每个向量均可生成相应的矩阵，比如，生成3*1的矩阵，然后将矩阵拼接组合在一起后，即可得到相应的第一矩阵和第二矩阵。
在第一待定节点中，根据本次数控工艺参数优化的要求，选取基准节点，通常来说，要求中会包含对于数控设备或者相关数据的要求，故而可以基于人工选取最符合要求的节点，作为基准节点。此时，将基准节点对应的第一矩阵和第二矩阵，作为第一基准矩阵和第二基准矩阵。
针对第一待定节点中，除了基准节点之外的其他节点，将其他节点对应的第一矩阵，与第一基准矩阵之间进行相似度对比，得到第一相似度。
若第一相似度超过预设阈值，表示第一相似度较高，则说明两者之间的数控设备之间的相似度较高，通常来说，只要设备相似度较高，即使相关数据并不十分相似（比如，采集的数据类型不符合要求），也可以作为工艺参数优化过程中的侧面参考，故而无需再考虑第二矩阵之间的相似度，直接将其作为第一参与节点。
针对第一相似度未超过预设阈值的其他节点，此时再考虑第二矩阵之间的相速度，将其对应的第二矩阵与第二基准矩阵之间进行相似度对比，得到第二相似度。
此时，第一相似度未超过预设阈值，但是第二相似度超过预设阈值的节点，虽然数控设备之间的相似度不高，但是其数据也具有可取性，故而可以将其同时作为第一参与节点。
其中，在已经选取得到了第一参与节点，进行相似度对比选取第二参与节点时，将第一相似度超过预设阈值的第一参与节点（指的是根据数控设备的数控设备信息的相似度所选取的第一参与节点）所对应的，第一矩阵和第二矩阵分别进行均值计算，分别得到第一平均矩阵和第二平均矩阵。第一平均矩阵和第二平均矩阵用于表示，数控设备之间比较相似的第一参与节点，在数控设备、相关数据两个方面中，分别能够表示所代表的数组集合的物理含义的矩阵。
针对每个第二待定节点，将其包含的第一数组集合或第二数组集合（第二待定节点只包含两者中的之一），生成对应的第一向量集合或第二向量集合（第一向量集合、第二向量集合分别对应于第一数组集合、第二数组集合），并生成对应的第一矩阵或第二矩阵（第一矩阵、第二矩阵也分别对应于第一向量集合、第二向量集合）。对于第二待定节点，其数组集合、向量集合、矩阵的生成方式与第一待定节点类似，故而不再赘述。
将第一矩阵或第二矩阵，与第一平均矩阵或第二平均矩阵进行相似度对比，得到第三相似度。第三相似度超过预设阈值，则说明该第二待定节点在其中一方面，与已经选取作为第一参与节点的节点之间，是比较相似的，故而将该第二待定节点作为第二参与节点。
当然，在确定了参与节点时，确定的参与节点主要指的是工作节点，主节点通常是单独划分，其为负责本次数控工艺参数优化的服务器或者举办方，但是在一些情况下，也可以在参与节点中通过人工进行选取得到，比如，针对一些相对公正的第三方节点，或者一些具有监管职责的节点作为主节点。
S200，以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点。
具体地，运动要素包括主轴速度、切削深度、进给速度中的至少一种；优化目标包括工件表面质量、加工时间、加工能耗中的至少一种；约束条件包括工艺参数范围、最大切削力、最小表面粗糙度中的至少一种。
当然，为保证主节点和工作节点之间的通讯能力，预先设定通信协议。确定主节点和工作节点之间的通信协议和机制，以确保安全可靠的通信。
具体地，数据传输过程中可以利用差分隐私保护技术来保护个体数据的隐私，在数据传输过程中添加噪声或对数据进行扰动，以保护敏感信息。在对本地优化结果进行聚合分析，确保在聚合工作节点的本地优化结果过程中保护隐私和数据安全，可以通过安全多方计算（Secure Multi-Party Computation，SMPC）和同态加密算法。
S300，基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点。
主节点负责协调和聚合各个工作节点的优化结果，会构建一个整体的、综合考虑了所有工作节点的优化结果的模型。而工作节点只能访问局部数据（本地数据，或者是主节点向工作节点发送的数据），负责执行本地的进化算法和参数优化。优化算法可以包括遗传算法、粒子群优化、差分进化算法等。
S400，通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
模型参数传递和同步中机制，采用请求-响应模式，工作节点将本地优化结果发送给主节点，主节点根据结果聚合算法更新全局优化结果，并将更新后的参数发送回工作节点，以确保工作节点和主节点之间的协调和一致性。
具体地，在进行聚合分析时，通过主节点，确定每个工作节点对应的评价指标，评价指标包括数据质量、设备性能、历史优化结果中的至少一种，评价指标用于表示工作节点是否更加重要，评价指标越高，也就更加重要。
根据评价指标，确定工作节点对应的权重，并根据各工作节点对应的所有权重，求得权重对应的中间值，中间值为平均值或中位数。
通常来说，第一参与节点具有更全的数据，所以应该为其赋予更高的权重，故而将权重低于中间值的第一参与节点对应的权重，修改为中间值。相反地，需要对第二参与节点的权重进行限制，故而将权重高于中间值的第二参与节点对应的权重，修改为中间值。
按照各工作节点对应的权重，对返回的本地优化结果进行聚合分析，得到全局优化结果。权重越高，在进行聚合分析时所考虑的也就越多。
进一步地，数控工艺参数优化过程中可以包括多轮，每轮过程中执行步骤S200~步骤S400中的相关过程，直至得到符合要求的最终工艺参数优化模型。而在执行完每轮的过程后，确定与全局优化结果最接近的若干个本地优化结果，并确定若干个本地优化结果所对应的优化算法。
为最接近的若干个本地优化结果，按照接近程度从高到低，依次从高到低赋予相应的评分。比如，共选取5个本地优化结果，最接近的为5分，依次降低1分，直至达到1分。
根据评分得到所对应的优化算法中，每个优化算法的总评分，并确定总评分最高的优化算法（这里的优化算法主要指的是算法的类型，比如，遗传算法、粒子群优化、差分进化算法，对于同一类型的算法，具体参数不同，也可以认为是同一算法）。比如，5个本地优化结果，从高到低分别对应于：优化算法A、优化算法A、优化算法B、优化算法B、优化算法C，则优化算法A对应的总评分是9分，优化算法B对应的总评分是5分，优化算法C对应的总评分是1分。
总评分越高，说明该优化算法更加适合本次数控工艺参数优化过程，故而在在下一轮数控工艺参数优化过程中，提高使用总评分最高的优化算法的工作节点的权重，从而能够更快的得到最终的模型参数。
下面对本发明提供的基于隐私保护的数控参数优化装置进行描述，下文描述的基于隐私保护的数控参数优化装置与上文描述的基于隐私保护的数控参数优化方法可相互对应参照。
下面结合图2描述本发明的一种基于隐私保护的数控参数优化装置，包括：
节点划分模块210，确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
模型构造模块220，以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
本地优化模块230，基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
全局优化模块240，通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于隐私保护的数控参数优化方法，该方法包括：
确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
此外，上述的存储器330中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于隐私保护的数控参数优化方法，该方法包括：
确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于隐私保护的数控参数优化方法，该方法包括：
确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于隐私保护的数控参数优化方法，其特征在于，包括：
确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新；
所述确定参与数控工艺参数优化的多个参与节点，具体包括：
确定报名参与数控工艺参数优化的若干个待定节点，并确定所述待定节点对应的节点标签，其中，每个所述待定节点包括至少一个节点标签，所述节点标签包括数控设备方、数据持有方；
针对所述数控设备方，确定其对应的数控设备信息，所述数控设备信息包括数控设备类型、数控设备数量、数控***；针对所述数据持有方，确定其对应的工艺参数数据集，所述工艺参数数据集包括数据数量、数据来源设备、数据类型；
针对每个待定节点，生成用于表示所述待定节点的数组集合，每个待定节点至少对应一个数组集合，所述数组集合包括所述数控设备信息对应的第一数组集合，以及所述工艺参数数据集对应的第二数组集合；
在所述待定节点中，选取同时具有第一数组集合和第二数组集合的第一待定节点，并对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点；
在所述待定节点中，针对除了所述第一待定节点之外，剩余的第二待定节点，将所述第二待定节点与已选取的第一参与节点进行相似度分析，并将超过预设相似度的节点，作为第二参与节点；
将所述第一参与节点和所述第二参与节点，均作为参与数控工艺参数优化的参与节点；
所述对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点，具体包括：
针对所述第一待定节点包含的所述第一数组集合和所述第二数组集合，分别生成对应的第一向量集合和第二向量集合，每个向量集合中包含多个向量，每个向量表示单个设备对应的数控设备信息，或，工艺参数数据集中的单行数据；
根据所述第一向量集合、所述第二向量集合，分别生成对应的第一矩阵和第二矩阵；
在所述第一待定节点中，根据本次数控工艺参数优化的要求，选取基准节点，并确定所述基准节点对应的第一基准矩阵和第二基准矩阵；
针对所述第一待定节点中，除了所述基准节点之外的其他节点，将所述其他节点对应的第一矩阵，与所述第一基准矩阵之间进行相似度对比，得到第一相似度；
将所述第一相似度超过预设阈值的其他节点作为第一参与节点，并针对所述第一相似度未超过预设阈值的其他节点，将其对应的第二矩阵与所述第二基准矩阵之间进行相似度对比，得到第二相似度；
将所述第一相似度未超过预设阈值，且所述第二相似度超过预设阈值的其他节点同时作为第一参与节点；
所述运动要素包括主轴速度、切削深度、进给速度中的至少一种；所述优化目标包括工件表面质量、加工时间、加工能耗中的至少一种；所述约束条件包括工艺参数范围、最大切削力、最小表面粗糙度中的至少一种。
2.根据权利要求1所述的基于隐私保护的数控参数优化方法，其特征在于，所述将所述第二待定节点与已选取的第一参与节点进行相似度分析，并将超过预设相似度的节点，作为第二参与节点，具体包括：
将所述第一相似度超过预设阈值的第一参与节点所对应的，第一矩阵和第二矩阵分别进行均值计算，分别得到第一平均矩阵和第二平均矩阵；
针对每个所述第二待定节点，将其包含的所述第一数组集合或所述第二数组集合，生成对应的第一向量集合或第二向量集合，并生成对应的第一矩阵或第二矩阵；
将第一矩阵或第二矩阵，与第一平均矩阵或第二平均矩阵进行相似度对比，得到第三相似度；
将所述第三相似度超过预设阈值的第二待定节点作为第二参与节点。
3.根据权利要求1所述的基于隐私保护的数控参数优化方法，其特征在于，所述通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，具体包括：
通过所述主节点，确定每个工作节点对应的评价指标，所述评价指标包括数据质量、设备性能、历史优化结果中的至少一种；
根据所述评价指标，确定所述工作节点对应的权重，并根据各工作节点对应的所有权重，求得所述权重对应的中间值，所述中间值为平均值或中位数；
将权重低于所述中间值的所述第一参与节点对应的权重，修改为所述中间值，并将权重高于所述中间值的所述第二参与节点对应的权重，修改为所述中间值；
按照各工作节点对应的权重，对返回的所述本地优化结果进行聚合分析，得到全局优化结果。
4.根据权利要求3所述的基于隐私保护的数控参数优化方法，其特征在于，所述得到全局优化结果之后，所述方法还包括：
确定与所述全局优化结果最接近的若干个本地优化结果，并确定所述若干个本地优化结果所对应的优化算法；
为最接近的所述若干个本地优化结果，按照接近程度从高到低，依次从高到低赋予相应的评分；
根据所述评分得到所对应的优化算法中，每个优化算法的总评分，并确定总评分最高的优化算法；
在下一轮数控工艺参数优化过程中，提高使用所述总评分最高的优化算法的工作节点的权重。
5.一种基于隐私保护的数控参数优化装置，其特征在于，包括：
节点划分模块，确定参与数控工艺参数优化的多个参与节点，并将所述参与节点划分为主节点和工作节点；
模型构造模块，以数控加工过程中的运动要素为优化变量，以优化目标的组合为适应度函数，并基于预设的约束条件，构造初始工艺参数优化模型，并通过所述主节点将所述初始工艺参数优化模型所对应的模型参数发送至各所述工作节点；
本地优化模块，基于所述工作节点，通过设置在本地的数控设备、存储在本地的工艺参数数据集中的至少一种，以及设置在本地的优化算法，对所述初始工艺参数优化模型进行参数优化，并将得到的本地优化结果返回至所述主节点；
全局优化模块，通过所述主节点，对各所述工作节点返回的所述本地优化结果进行聚合分析，得到全局优化结果，并根据所述全局优化结果对所述模型参数进行更新；
所述确定参与数控工艺参数优化的多个参与节点，具体包括：
确定报名参与数控工艺参数优化的若干个待定节点，并确定所述待定节点对应的节点标签，其中，每个所述待定节点包括至少一个节点标签，所述节点标签包括数控设备方、数据持有方；
针对所述数控设备方，确定其对应的数控设备信息，所述数控设备信息包括数控设备类型、数控设备数量、数控***；针对所述数据持有方，确定其对应的工艺参数数据集，所述工艺参数数据集包括数据数量、数据来源设备、数据类型；
针对每个待定节点，生成用于表示所述待定节点的数组集合，每个待定节点至少对应一个数组集合，所述数组集合包括所述数控设备信息对应的第一数组集合，以及所述工艺参数数据集对应的第二数组集合；
在所述待定节点中，选取同时具有第一数组集合和第二数组集合的第一待定节点，并对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点；
在所述待定节点中，针对除了所述第一待定节点之外，剩余的第二待定节点，将所述第二待定节点与已选取的第一参与节点进行相似度分析，并将超过预设相似度的节点，作为第二参与节点；
将所述第一参与节点和所述第二参与节点，均作为参与数控工艺参数优化的参与节点；
所述对所述第一待定节点进行相似度分析，以根据相似度分析结果在所述第一待定节点中选取至少部分节点，作为第一参与节点，具体包括：
针对所述第一待定节点包含的所述第一数组集合和所述第二数组集合，分别生成对应的第一向量集合和第二向量集合，每个向量集合中包含多个向量，每个向量表示单个设备对应的数控设备信息，或，工艺参数数据集中的单行数据；
根据所述第一向量集合、所述第二向量集合，分别生成对应的第一矩阵和第二矩阵；
在所述第一待定节点中，根据本次数控工艺参数优化的要求，选取基准节点，并确定所述基准节点对应的第一基准矩阵和第二基准矩阵；
针对所述第一待定节点中，除了所述基准节点之外的其他节点，将所述其他节点对应的第一矩阵，与所述第一基准矩阵之间进行相似度对比，得到第一相似度；
将所述第一相似度超过预设阈值的其他节点作为第一参与节点，并针对所述第一相似度未超过预设阈值的其他节点，将其对应的第二矩阵与所述第二基准矩阵之间进行相似度对比，得到第二相似度；
将所述第一相似度未超过预设阈值，且所述第二相似度超过预设阈值的其他节点同时作为第一参与节点；
所述运动要素包括主轴速度、切削深度、进给速度中的至少一种；所述优化目标包括工件表面质量、加工时间、加工能耗中的至少一种；所述约束条件包括工艺参数范围、最大切削力、最小表面粗糙度中的至少一种。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上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4任一项所述基于隐私保护的数控参数优化方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，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4任一项所述基于隐私保护的数控参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929893.7A CN116643537B (zh) | 2023-07-27 | 2023-07-27 | 基于隐私保护的数控参数优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929893.7A CN116643537B (zh) | 2023-07-27 | 2023-07-27 | 基于隐私保护的数控参数优化方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116643537A CN116643537A (zh) | 2023-08-25 |
| CN116643537B true CN116643537B (zh) | 2023-10-03 |
Family
ID=87625191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310929893.7A Active CN116643537B (zh) | 2023-07-27 | 2023-07-27 | 基于隐私保护的数控参数优化方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643537B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390095A (zh) * | 2017-06-29 | 2017-11-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种并联间隙放电监测装置 |
| CN109782695A (zh) * | 2017-11-13 | 2019-05-21 | 华中科技大学 | 一种用于制造设备的控制方法、装置和*** |
| CN113678064A (zh) * | 2019-04-09 | 2021-11-19 | Asml荷兰有限公司 | 用于在设施位置之间调整预测模型的***和方法 |
| WO2022006591A1 (en) * | 2020-06-30 | 2022-01-06 | Schlumberger Technology Corporation | Modular hydrocarbon facility placement planning system |
| CN115525038A (zh) * | 2022-10-26 | 2022-12-27 | 河北工业大学 | 一种基于联邦分层优化学习的设备故障诊断方法 |
| CN116088419A (zh) * | 2023-03-22 | 2023-05-09 | 中科航迈数控软件(深圳)有限公司 | 基于参数优化的数控机床加工控制方法、***及相关设备 |
| CN116466651A (zh) * | 2023-04-17 | 2023-07-21 | 中国电子科技集团公司第三十八研究所 | 基于混合启发式算法的数控加工工艺参数优化方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11763198B2 (en) * | 2019-10-08 | 2023-09-19 | Nec Corporation | Sensor contribution ranking |
-
2023
- 2023-07-27 CN CN202310929893.7A patent/CN116643537B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390095A (zh) * | 2017-06-29 | 2017-11-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种并联间隙放电监测装置 |
| CN109782695A (zh) * | 2017-11-13 | 2019-05-21 | 华中科技大学 | 一种用于制造设备的控制方法、装置和*** |
| CN113678064A (zh) * | 2019-04-09 | 2021-11-19 | Asml荷兰有限公司 | 用于在设施位置之间调整预测模型的***和方法 |
| WO2022006591A1 (en) * | 2020-06-30 | 2022-01-06 | Schlumberger Technology Corporation | Modular hydrocarbon facility placement planning system |
| CN115525038A (zh) * | 2022-10-26 | 2022-12-27 | 河北工业大学 | 一种基于联邦分层优化学习的设备故障诊断方法 |
| CN116088419A (zh) * | 2023-03-22 | 2023-05-09 | 中科航迈数控软件(深圳)有限公司 | 基于参数优化的数控机床加工控制方法、***及相关设备 |
| CN116466651A (zh) * | 2023-04-17 | 2023-07-21 | 中国电子科技集团公司第三十八研究所 | 基于混合启发式算法的数控加工工艺参数优化方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 基于数据分析的数控加工工艺参数 能效优化方法研究;肖溱鸽;中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)(第03期);B022-1489 * |
| 面向物联网隐私数据分析的分布式弹性网络回归学习算法;方维维;刘梦然;王云鹏;李阳阳;安竹林;;电子与信息学报(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116643537A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
| CN103942610A (zh) | 基于任务的可重组制造***多态构型优化方法 | |
| Al-Hawari et al. | Development of a genetic algorithm for multi-objective assembly line balancing using multiple assignment approach | |
| Duarte et al. | A dynamic migration policy to the island model | |
| CN115481441A (zh) | 面向联邦学习的差分隐私保护方法及装置 | |
| CN111122222B (zh) | 一种样本点位置确定方法及*** | |
| Wu et al. | A modified MOEA/D algorithm for solving bi-objective multi-stage weapon-target assignment problem | |
| CN113535630A (zh) | 一种跨节点通信方法、装置、设备及可读存储介质 | |
| CN116643537B (zh) | 基于隐私保护的数控参数优化方法、装置、设备及介质 | |
| CN111461284A (zh) | 数据离散化方法、装置、设备及介质 | |
| CN116362327A (zh) | 一种模型训练方法、***及电子设备 | |
| CN106911777A (zh) | 一种数据处理方法及服务器 | |
| Kang et al. | Ga approach to optimize training client set in federated learning | |
| Amini et al. | A fuzzy MADM method for uncertain attributes using ranking distribution | |
| CN108427773B (zh) | 一种分布式知识图谱嵌入方法 | |
| CN106709572A (zh) | 一种数据处理方法及设备 | |
| CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
| CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
| Botzheim et al. | Bacterial memetic algorithm for simultaneous optimization of path planning and flow shop scheduling problems | |
| Luo et al. | Acceleration of a cuda-based hybrid genetic algorithm and its application to a flexible flow shop scheduling problem | |
| Chen et al. | An Attribute Reduction Algorithm Based on Rough Set Theory and an Improved Genetic Algorithm. | |
| Tamouk et al. | A multimetric and multideme multiagent system for multiobjective optimization | |
| Yan | On the Effects of Reduced Communication on Performance of Distributed Multi-armed Bandits | |
| Salama et al. | XAI: A Middleware for Scalable AI. | |
| CN117687801B (zh) | 一种跨域分布式计算***、方法、存储介质和电子设备 |
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 |