[发明专利]一种基于联邦学习机制的云边协同产能计算方法及系统

权利要求书

1.一种基于联邦学习机制的云边协同产能计算方法，其特征在于，包括以下步骤：

步骤1：数据采集模块负责实时采集各参与方的各产线产能数据X_i，通过各参与方的ERP系统获取外部订单需要的产能数据y_{订单需要的产能}；

步骤2：数据存储模块负责将采集后的各产线产能数据和外部订单需要的产能数据存储到本地实时数据库中；

步骤3：基于各产线产能数据X_i和产能数据y_{订单需要的产能}以及实际产能预测模型，得到订单所需要的产能与各方实际预测产能之间的产能缺口数据；

步骤4：基于产能缺口数据和云制造平台下发给各参与方的产能供给模型参数θ_i，推导出梯度数据g_参与方i；

步骤5：本地参与方向云制造平台上传模型梯度数据g_参与方i

步骤6：云制造平台的聚合模型根据各本地参与方提供的模型梯度数据g_参与方i进行安全聚合，得到聚合后的梯度数据g_聚合，并向各本地参与方下发全局模型参数θ_聚合；

步骤7：本地参与方利用云制造平台聚合模型下发的全局模型参数θ_聚合，并更新本地产能供给模型：θ_i←θ_聚合；

步骤8：本地参与方根据更新后的产能供给模型，计算出云制造平台实际能够提供的产能。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

数据采集模块主要通过5G工业网关实时采集数据并提供各种终端设备协议解析功能；其中，所述终端设备包括数控机床、PDA、机器手臂、传感器；所述各产线产能数据包括采集设备类型、企业制造任务各产线数据、实时产能数据。

3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

将采集后的各产线产能数据通过5G基站传输存储在本地实时数据库中。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

各参与方本地同时拥有2类模型，一类模型是参与方实际产能预测模型，另一类模型是云制造平台下发给各参与方的产能供给模型；基于步骤1采集的参与方生产制造数据，得到实际产能预测模型为；

其中，为调节项，y_{实际产能预测}为任意参与方的实际产能；

根据各参与方实际订单所需的产能减去各参与方实际预测产能，得到产能缺口数据：

y_产能缺口＝y_{订单需要的产能}-y_{实际产能预测}

产能供给模型表示为：y_{云平台可提供的产能}＝model(g_参与方i,θ_i)

其中，g_参与方i表示参与方i的当前梯度参数，θ_i表示全局模型参数，y_{云平台可提供的产能}表示云制造平台根据云制造资源池的数据给该参与方提供的产能。

5.根据权利要求4所述的方法，其特征在于，y_{云制造资源池可提供产能}由云制造平台的云制造平台的资源管理模块负责；

云制造平台的资源管理模块负责对云制造资源的相关数据形成云资源池，并对云资源池中的制造资源的产能数据进行汇总统计分析；其数据来自云制造资源的资源供给方在线发布的云制造资源产能数据；其采用安全k-匿名机制进行发布。

6.根据权利要求1所述的方法，其特征在于，在所述步骤4中：本地参与方仅通过云边协同机制上传掩饰后的梯度数据至云制造平台的聚合模型。