[发明专利]一种基于联邦学习与注意力机制的生产线调度方法

说明书

本发明公开了一种基于联邦学习与注意力机制的生产线调度方法，包括获取若干个零件厂家的历史生产零件数据；采用长短期记忆网络，生成各个零件厂家的生产零件数据模型；通过加密和纵向联邦学习，将各个零件厂家的生产零件数据模型进行协同训练；采用注意力机制，求解作业车间调度问题，并采用生成的结果进行生产线调度。本发明在预测准确率较高的前提下保证了本生产线数据的私密与安全，防止了数据的泄露；且由于预测数据较为准确，可以避免生产过剩等造成资源的浪费。使用联邦学习进行共同建模，不仅可以使各参与方获得数据保护的同时，也实现共同提升模型效果的目的，且模型无损失，不会出现负迁移，使得生产线调度更接近实际情况，更准确。

技术领域

本发明属于生产线调度领域，具体涉及一种基于联邦学习与注意力机制的生产线调度方法。

背景技术

近年来，制造业在国民经济增长中占有重要地位。随着技术的发展与科技的进步，我国的制造业也从之前的人工密集型向技术密集型转换，在此转换期间，智能设备在生产线中的使用起到了举足轻重的作用。同时在制造业研究的相关众多领域中，作业车间生产线调度优化问题是最基本，也是研究较深入的问题之一。虽然对作业车间生产线调度优化问题进行了多年的调查研究，也取得了部分成果，但随着研究的深入，理论数据与实际结果还存在部分差异；现有的生产线调度只能对自身产量进行预测，同时预测不准确，导致效率低，成本高。

发明内容

本发明的目的在于提供一种基于联邦学习与注意力机制的生产线调度方法，本方法能够准确高效地综合各个生产线预测生产调度数据，并优化生产线。

本发明提供的这种基于联邦学习与注意力机制的生产线调度方法，包括如下步骤：

S1.获取若干个零件厂家的历史生产零件数据；

S2.采用长短期记忆网络，生成各个零件厂家的生产零件数据模型；

S3.通过加密和纵向联邦学习，将各个零件厂家的生产零件数据模型进行协同训练，获得全局生产零件数据模型；

S4.将获得的全局生产零件数据模型作为原始输入序列，通过注意力机制求解作业车间调度问题，生成调度序列，并采用生成的结果进行生产线调度。

所述的步骤S2，包括如下步骤：

A1.采用历史生产零件数据，对历史生产零件数据进行预处理；生成训练集和测试集；

A2.采用长短期记忆网络，建立初始生产零件数据模型，并初始化参数；包括将当前输入和前一个状态输出的门控拼接训练得到四个状态，对当前的输入有选择的进行记忆和忘记，并将选择的记忆和忘记合并输入，对输出进行选择后采用损失函数优化；

A3.采用步骤A1生成的训练集对初始生产零件数据模型进行训练，并校验结果是否满足预测精度要求；若校验结果不满足预测精度要求，则继续训练；若校验结果满足预测精度要求，则生成训练好的生产零件数据模型，采用测试集进行预测，同时根据正规化过程将数据转换为原值；参与的第三方传递训练参数和损失函数及其参数。

所述的步骤A1，包括如下步骤：

B1.对历史生产零件数据进行预处理；预处理包括：对历史生产零件数据进行归一化处理，加速训练速度；将数据进行标准化处理；将历史生产零件数据设置为数据数列；设置时间步，并根据设置时间步的数据预测之后的数据；

B2.根据滑动窗口的大小构造训练集；具体包括根据滑动窗口的大小将历史零件数据依次输入长短期记忆网络模型的输入层。

所述的数据数列为，X(n)＝[x(1),x(2),…,x(n-1),x(n)]；x(n)表示特征x的第n个时刻的观测值。

所述的步骤A2，包括如下步骤：