[发明专利]一种分布式数据驱动过程建模优化方法及系统

说明书

本发明涉及工业流程优化领域，更具体的说，涉及一种分布式数据驱动过程建模优化方法及系统。本方法包括：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；步骤S2、节点进行数据驱动建模获得节点模型，并上传至参数服务器；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，直至满足终止条件。本发明基于联邦学习建模实现数据分布式存储时的隐私保护建模和决策优化，适应性较为广泛。

技术领域

本发明涉及工业流程优化领域，更具体的说，涉及一种分布式数据驱动过程建模优化方法及系统。

背景技术

随着移动边缘设备的迅速普及以及工业互联网和5G的快速发展，加速了流程工业大数据的爆发。流程工业大数据，包含过程状态数据、设备运维数据和安监环保图像信息等异构数据等。

数据驱动的过程建模及决策优化方法，因适合用于提取大数据中蕴含的知识，而在流程工业智能化尤其是流程工业建模和决策优化中获得了广泛的应用。

图1是典型的集中式数据驱动建模及决策优化流程示意图，如图1所示，典型的集中式数据驱动建模及决策优化流程，首先，由人工将碎片化的数据收集到数据中心并进行预处理，然后，使用处理后的数据进行过程建模，过程建模包括数据处理、模型选择、模型拟合和模型部署，最后，使用获得的模型进行过程决策，过程决策包括决策优化、激活部署模型、选择优化策略和决策优化。

目前，在集中式数据驱动建模及决策优化算法领域开展了大量工作，并在一些现实世界任务上取得了巨大成功，现实世界任务如危险气体溯源问题、飞行器造型优化问题等。然而，该算法需要从不同设备收集分散存储的节点数据，可能会影响数据安全、泄露用户隐私。

发明内容

本发明的目的是提供一种分布式数据驱动过程建模优化方法及系统，解决现有的集中式数据驱动建模决策过程需要从不同设备收集节点数据造成的数据安全性的问题。

为了实现上述目的，本发明提供了一种分布式数据驱动过程建模优化方法，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。

在一实施例中，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。

在一实施例中，所述步骤S2中进行数据驱动建模，进一步包括：

采用梯度下降算法进行模型训练。

在一实施例中，所述步骤S2中，节点k的建模目标函数F_k对应表达式为：