[发明专利]一种分布式数据驱动过程建模优化方法及系统

权利要求书

1.一种分布式数据驱动过程建模优化方法，其特征在于，包括以下步骤：

步骤S1、根据任务要求和数据集尺寸，确定所用的机器学习模型，将模型配置文件下发至对应各节点，所述节点为分布式全流程设备或跨区域分工厂；

步骤S2、节点对本地离线数据集和在线数据集进行预处理，使用本地离线数据和在线数据作为训练集，进行数据驱动建模获得节点模型，将节点模型上传至参数服务器；

步骤S3、参数服务器对节点模型进行聚合获得全局模型，将全局模型下发至对应各节点；

步骤S4、选择参数服务器或节点作为决策优化的载体，确定优化目标数和优化策略；

步骤S5、在载体上使用全局模型和节点模型，结合优化策略进行进化优化，搜索获得可行解；

步骤S6、节点对可行解进行评估，更新在线数据集，以收到的全局模型为基础进行增量更新，重复步骤S2-S5直至满足终止条件。

2.根据权利要求1所述的分布式数据驱动过程建模优化方法，其特征在于，所述机器学习模型为浅层机器学习网络或深度神经网络：

所述浅层机器学习网络包含BP神经网络和径向基神经网络；

所述深度神经网络包含卷积神经网络和循环神经网络。

3.根据权利要求1所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S2中，节点k的建模目标函数F_k对应表达式为：

其中，n_k为节点样本总数，L为节点损失函数，x_i和y_i为样本对，γ为结构风险损失函数，w_k为节点k的本地模型。

4.根据权利要求1所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S3中，对节点模型进行聚合的目标函数为最小化全局目标函数，对应表达式为：

其中，K是节点总数，p_k是节点k的聚合权重。

5.根据权利要求4所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S3中，对节点模型进行聚合，所述聚合方式为直接聚合；

所述直接聚合方式为采用直接平均算法对节点模型进行聚合，对应表达式为：

其中，p_k为节点k的聚合权重，w为全局模型，w_k为节点k的本地模型。

6.根据权利要求5所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S3中，对节点模型进行聚合，所述聚合方式为排序聚合；

所述排序聚合方式为采用排序平均算法对节点模型进行聚合，对应表达式为：

其中，为节点k的排序后模型，w为全局模型，K为节点总数。

7.根据权利要求6所述的分布式数据驱动过程建模优化方法，其特征在于，所述节点k的排序后模型通过以下方式获得：

通过为本地模型w_k的核心结构c_k计算出模型排序的索引index，对应表达式为：

其中，d为核心结构的维度；

通过索引index，获取排序后的模型，对应表达式为：

其中，w_k为节点k的本地模型。

8.根据权利要求1所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S4中：

优化目标数包含单目标和多目标；

优化策略为智能算法，包含差分算法和粒子群算法。

9.根据权利要求1所述的分布式数据驱动过程建模优化方法，其特征在于，所述步骤S4中，选择参数服务器或节点作为决策优化的载体，进一步包括：

依据任务和隐私要求决定决策优化的载体；

若决策为公用决策，则优化载体为参数服务器；

若决策为节点私有任务，则优化载体为节点。