[发明专利]基于联邦学习的汽车生产模具优化方法、系统、设备及介质

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

鉴于以上所述现有技术的缺点，本发明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。

为实现上述目的及其他相关目的，本发明提供一种基于联邦学习的汽车生产模具优化方法，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。

于本发明的一实施例中，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：

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。

于本发明的一实施例中，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：

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。

于本发明的一实施例中，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。

于本发明的一实施例中，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。