Blog

Feb 02, 2024

Privacidad

Scientific Reports volumen 12, Número de artículo: 10733 (2022) Citar este artículo 681 Accesos Detalles métricos Los equipos hidráulicos, como producto mecánico típico, se han utilizado ampliamente en diversos campos.

Scientific Reports volumen 12, número de artículo: 10733 (2022) Citar este artículo

681 Accesos

Detalles de métricas

Los equipos hidráulicos, como producto mecánico típico, se han utilizado ampliamente en diversos campos. La adquisición precisa y la transmisión segura de datos de desviación del ensamblaje son las cuestiones más críticas para los fabricantes de equipos hidráulicos en la colaboración de la cadena de valor orientada a PLM. Los métodos de predicción de desviaciones existentes se utilizan principalmente para el control de calidad del ensamblaje, que se concentran en la etapa de diseño y ensamblaje del producto. Sin embargo, las desviaciones reales del ensamblaje generadas en la etapa de servicio se pueden utilizar para guiar el mantenimiento del equipo y el diseño de tolerancias. En este artículo, se propone un método de predicción de alta fidelidad y preservación de la privacidad basado en las desviaciones de ensamblaje observables. Se establece una red jerárquica de atención de gráficos (HGAT) para predecir las desviaciones de las características del ensamblaje. También se introducen las técnicas de representación jerárquica generalizada y reconstrucción de privacidad diferencial para generar el modelo de red de atención de gráficos para preservar la privacidad de la desviación del ensamblaje. Se establece una matriz de gradiente de derivación para calcular el índice necesario modificado definido de las piezas de ensamblaje. Se diseñan dos estrategias de preservación de la privacidad para proteger la privacidad del ensamblaje de la representación del nodo y la relación adyacente. La eficacia y superioridad del método propuesto quedan demostradas mediante un estudio de caso con una prensa hidráulica de cuatro columnas.

La colaboración en la cadena de valor orientada a PLM (Product-Lifecycle-Management)1,2 se ha convertido en la última forma de mejorar la competitividad en la economía de globalización. El diagnóstico inteligente y el mantenimiento de productos mecánicos es una de las partes más importantes. Los equipos hidráulicos desempeñan un papel importante en la industria manufacturera3. Después de un uso prolongado, las desviaciones de cada pieza pueden ser muy diferentes de los valores teóricos debido a la deformación fuera de la posición ideal4. Los métodos de mantenimiento existentes son casi ciegos, requieren mucho tiempo y son laboriosos. Porque en los montajes complejos las desviaciones mensurables son limitadas. Las desviaciones completas proporcionan abundante información orientativa para el mantenimiento del conjunto. Por lo tanto, se proponen los modelos gráficos5, una nueva rama del método de aprendizaje automático, para predecir las desviaciones desconocidas basándose en el gráfico de características6,7. Aquí, esta investigación se centra en la preservación de la privacidad para la predicción de la desviación del ensamblaje. La privacidad de los datos8 es vital, porque las desviaciones son sensibles y es necesario evitar la fuga de información de los equipos derivada de los modelos gráficos. Las investigaciones existentes se centran en la asignación de desviaciones en la etapa de diseño del producto9,10,11 y montaje12,13,14. Por ejemplo, Stefan et al.15 propusieron un método para la evaluación de la tolerancia en la etapa de diseño conceptual del producto. Permite a los diseñadores evaluar las tolerancias antes de definir la geometría final. Zhou et al.16 propusieron un modelo de propagación de desviación de secuencia de ensamblaje basado en la matriz de adyacencia de características de ensamblaje y la matriz de tolerancia de características geométricas. La influencia de las desviaciones acumulativas de diferentes secuencias de ensamblaje en la calidad del ensamblaje del producto se puede evaluar de manera precisa y efectiva. Además, Liu et al.17 propusieron un método de evaluación e identificación de fluctuaciones basado en una red de propagación de errores de mecanizado. Se pueden identificar las fuentes de fluctuaciones en el proceso de mecanizado de la pieza. Sin embargo, los métodos de predicción de desviaciones existentes se utilizan principalmente para el control de calidad del ensamblaje. La mayoría de los estudios se centran en la etapa de diseño y no consideran las desviaciones de las características geométricas durante el uso. Sin tener en cuenta las deformaciones, estos estudios entran dentro de la categoría de ensamblaje de cuerpo rígido. Además, las desviaciones generadas en la etapa de servicio no se utilizan para orientar el mantenimiento del producto ni mejorar la asignación de tolerancias18.

Además, un conjunto mecánico puede considerarse como un gráfico de características19,20,21. A medida que se desarrolla la inteligencia artificial, existe una rama prometedora para generalizar los algoritmos de aprendizaje automático22,23 al dominio de gráficos24,25,26. Y se espera que las desviaciones que faltan en el ensamblaje se predigan en función de su gráfico de características. En este artículo, se propuso una red de atención de gráficos jerárquicos (HGAT)27,28,29 para predecir las desviaciones desconocidas del ensamblaje del equipo hidráulico, y se define una matriz de gradiente de derivación para el mantenimiento del equipo. Por un lado, el mecanismo jerárquico del método HGAT propuesto es beneficioso para utilizar información de la estructura del gráfico. Por otro lado, los pesos de los nodos adyacentes mejoran aún más la precisión de la predicción de la desviación.

El proceso de predicción de desviaciones contiene dos etapas. La primera es la etapa de entrenamiento, donde los datos de entrenamiento se importan al algoritmo. Para reducir la pérdida en el conjunto de validación, los parámetros de entrenamiento y los hiperparámetros se optimizan en función de la retropropagación. La segunda etapa es la etapa de predicción, que utiliza el modelo objetivo para predecir las desviaciones en el conjunto de prueba. Por lo tanto, las posibles amenazas a la privacidad podrían ocurrir en estas dos etapas30, como se muestra en la Fig. 1a. En concreto, durante la etapa de formación se enfrenta principalmente a la amenaza del robo de datos. Durante la etapa de predicción, puede haber más amenazas, como la inversión del modelo, la inferencia de membresía y el robo de datos. Un modelo de alto rendimiento depende tanto de características ricas como de información completa de los bordes en el gráfico. Sorprendentemente, hay muy poca investigación sobre la protección de la privacidad de los modelos de redes neuronales gráficas de alto rendimiento31,32,33.

(a) Principales amenazas a la privacidad en el proceso de aprendizaje automático, (b) la inversión del modelo en las amenazas a la privacidad, (c) la inferencia de membresía en las amenazas a la privacidad.

El robo de datos significa que los datos sin procesar corren el riesgo de ser robados. Especialmente, en la aplicación de un algoritmo de aprendizaje automático a gran escala, es necesario entrenar el algoritmo en el servidor con la cooperación de muchos usuarios. La transmisión de datos en la nube aumenta la posibilidad de sufrir ataques. Dado que el atacante tiene cierto acceso al modelo objetivo, las técnicas de inversión de modelos tienen como objetivo inferir la representación de clase, como se muestra en la Fig. 1b. 34. El atacante necesita aportar algún auxiliar, que podría ser algo de experiencia o conocimiento humano. El concepto de inversión del modelo lo introduce Fredrikson et al.35. Mostraron cómo el adversario utiliza los resultados de un clasificador para inferir las características sensibles utilizadas como entradas. A veces se describe que estas técnicas violan la privacidad de los datos de entrenamiento, aunque las características inferidas se caracterizan por toda la clase. El ataque de inferencia de membresía significa inferir si un punto de datos determinado pertenece al conjunto de datos de entrenamiento como se muestra en la Fig. 1c. Por ejemplo, si los registros de salud se utilizan para capacitar a un clasificador, descubrir un registro específico que se utilizó para capacitar provocará una fuga de información confidencial del individuo.

En el presente trabajo, en primer lugar, se propone el modelo gráfico utilizado para predecir las desviaciones. Los nodos y los bordes del gráfico se definen según la relación de ensamblaje. En segundo lugar, se diseñan dos estrategias de preservación de la privacidad para proteger la privacidad de la representación y relación de los nodos en el gráfico. En comparación con los trabajos relacionados de los últimos años, tiene tres contribuciones.

La red jerárquica de atención de gráficos (HGAT) se establece para predecir las desviaciones desconocidas del ensamblaje.

La matriz de gradiente de derivación se procesa en función de los datos de desviación completados para calcular el índice necesario modificado (MNI) definido.

Una representación jerárquica generalizada y una reconstrucción de privacidad diferencial están diseñadas para proteger la representación del nodo y la matriz adyacente, respectivamente.

Las siguientes secciones están organizadas de la siguiente manera. El modelo de gráfico utilizado en la red neuronal de gráficos se proporciona en "Establecimiento del modelo de gráfico". Las metodologías empleadas para la predicción de desvíos y protección de privacidad se describen en “Metodología”. Para verificar la amplitud y eficacia del método propuesto, se analiza un estudio de caso en “Estudio de caso”. La conclusión se resume en “Conclusión”.

Un equipo hidráulico complejo36 se compone de muchas partes, como se muestra en la Fig. 2. De hecho, las relaciones de ensamblaje se pueden representar mediante un gráfico de características. En esta sección se presenta la definición de nodos y aristas en el gráfico. El establecimiento del modelo gráfico es la base del algoritmo de red neuronal gráfica para la predicción de la desviación.

La vista despiezada de un equipo hidráulico.

Los detalles tácitos de las características de la pieza deben aclararse antes de definir los nodos. Tomando la superficie cónica37 como ejemplo, como se muestra en la Fig. 3. La característica nominal es la superficie cónica en el modelo geométrico nominal. Su eje es la característica derivada nominal. La llamada desviación significa que el eje deriva de la superficie cónica. La superficie real correspondiente a la característica nominal obtenida del procesamiento real es la característica real. Sin embargo, en el proceso de inspección real, sólo se tomaron muestras de un número limitado de estas características. Éstas se denominan características extraídas. Entonces, la superficie ideal que coincide con el punto extraído se denomina característica asociativa. Los elementos derivados de la asociación se derivan de los elementos asociados. Definimos que cada nodo tiene hasta dos círculos. El círculo sólido representa la característica real y la característica derivada asociada se expresa como un círculo discontinuo alrededor del círculo sólido.

Cuatro características diferentes de una superficie cónica.

La representación del nodo se utiliza para entrenar la red, que debe contener la mayor cantidad de información posible del nodo. Aquí definimos la representación del nodo n como:

donde (u, v, w, α, β, γ) son las desviaciones medidas a lo largo y alrededor del sistema de coordenadas global. (x, y, z) es el punto de coordenadas de la característica local. m es el número de nodos en el camino más corto entre la característica de la pieza y la característica de referencia.

La etiqueta del nodo está definida por un indicador completo lc. Se define como:

donde w1, w2, w3, w4, w5 y w6 \(({\mathrm{p}}_{1},{\mathrm{p}}_{2},{\mathrm{p}}_{3 },{\mathrm{p}}_{4},{\mathrm{p}}_{5},{\mathrm{p}}_{6})\) son los pesos correspondientes a cada elemento. Luego, la etiqueta del nodo se determina discretizando el valor de lc.

El borde está determinado por el modo de tolerancia. En concreto, la tolerancia de autorreferencia es la arista que une el círculo sólido y el círculo discontinuo de un mismo nodo. La tolerancia de referencia cruzada es el borde que une dos círculos discontinuos que corresponden a la misma pieza. La tolerancia de ajuste es el borde que une dos círculos sólidos que corresponden a partes diferentes. Por ejemplo, el gráfico de características de un componente se muestra en la Fig. 4. El conjunto consta de dos partes, las partes 1 y 2. La superficie de 1a tiene una tolerancia de perpendicularidad con 1b, 1b tiene una tolerancia de ajuste con 2a, 2a y 2b. tienen una relación de perpendicularidad. Finalmente, existe una relación de posicionamiento entre 2b y 1a. El gráfico de características final se muestra en la Fig. 4b.

Ejemplo de juguete de gráfico de características en un componente.

Esta sección describe la predicción de la desviación del ensamblaje e identifica las superficies características que tienen el mayor impacto en los requisitos funcionales de los ensamblajes mecánicos complejos en servicio. La predicción de la desviación del ensamblaje se centra en la diferencia entre la superficie de la pieza en servicio y su posición ideal. Grandes discrepancias provocan fallos de montaje. La colaboración en la cadena de valor orientada a PLM tiene como objetivo mejorar la competitividad central de la empresa, que combina los datos del sistema de fabricación con inteligencia artificial, big data y otras tecnologías para tomar las mejores decisiones. Este artículo se centra en la recopilación y el procesamiento de datos de productos, datos de fabricación y datos de procesos en los sistemas de fabricación. Basado en los antecedentes de la colaboración en la cadena de valor orientada al PLM, se presenta un marco de predicción de desviaciones para ensamblajes mecánicos complejos. Como se muestra en la Fig. 5, se introduce en el marco de diseño una retroalimentación de circuito cerrado de las desviaciones medidas, lo que ayuda a extender la vida útil de los productos.

El marco de predicción de desviaciones.

El proceso de predicción de la desviación del conjunto incluye cuatro etapas. La primera etapa es la etapa de diseño del producto. Los ingenieros de diseño construyen un modelo tridimensional del conjunto y realizan dibujos bidimensionales detallados basados ​​en la experiencia en diseño, incluidas las dimensiones generales de cada pieza y las tolerancias detalladas. La segunda etapa es la etapa de servicio del producto. Los trabajadores del departamento de fabricación procesan productos mecánicos de acuerdo con los requisitos de los planos. Después de la inspección de calidad, los productos ensamblados pueden ponerse en servicio. La tercera etapa es la etapa de percepción de desviación. Cuando las funciones de ensamblaje ya no cumplen con los requisitos de diseño, la información de desviación recopilada por cada sensor se utiliza para preparar el mantenimiento y la actualización del producto. La cuarta etapa es el seguimiento de la desviación. A partir de una pequeña muestra de desviaciones medidas, todas las desviaciones no medidas se calculan mediante el método de aprendizaje automático. Las desviaciones se rastrean a través de la matriz de gradiente de desviación. Y juzgue además si las desviaciones son causadas por la deformación de la estructura o por un diseño de tolerancia irrazonable. Si es causado por la deformación de la estructura, repare o reemplace el producto. Si es causado por un diseño de tolerancia irrazonable, es necesario un diseño de reasignación de tolerancia. El rastreo de desviaciones en este estudio tiene como objetivo encontrar asignaciones de tolerancia irrazonables en el proceso de diseño o superficies características que ya no satisfacen los requisitos de precisión debido al servicio del producto. Esta investigación sólo se centra en la situación en la que la posición real de la superficie se desvía de la posición ideal. Defina el índice de modificación necesario MNIij según la etiqueta del nodo l como

donde i y j son los subíndices de los nodos.

En el proceso de predicción de la desviación, se ingresa una cierta cantidad de datos para respaldar el entrenamiento de la red neuronal. Generalmente, cuanto mayor sea el número de marcadores, mayor será la precisión de la predicción. Sin embargo, si no hay datos de desviación suficientes para las pruebas, todos los datos de desviación de entrada generados por la simulación se pueden usar para depurar los hiperparámetros del modelo HGAT. Este estudio supone que las desviaciones obedecen a una distribución normal. Una vez que se conoce el intervalo de FR, los valores medios y de varianza de las desviaciones se pueden calcular utilizando el criterio 3σ38. Luego, las etiquetas desconocidas se pueden obtener importando los datos medidos al modelo HGAT. Podemos tomar el valor si hay más de un conjunto de datos de prueba. Una vez obtenidas todas las etiquetas de los nodos, es importante identificar los valores de tolerancia que deben rediseñarse. El proceso de reconocimiento se basa en el valor de MNIij. Cuanto mayor sea el valor de MNIij, más probable será la fuente del error. Y se debe priorizar una mayor precisión de esta tolerancia para evitar la transmisión de desviación. El grado de precisión del ajuste está relacionado con el costo de procesamiento, el cual no se considera en esta investigación. Reemplace los elementos correspondientes en la matriz de adyacencia con MNIij para obtener la matriz de gradiente de desviación S. El cálculo de S se puede realizar mediante la siguiente fórmula:

donde abs() es la función de valor absoluto, * es la operación del producto escalar, A es la matriz de adyacencia del gráfico de características y D es el vector de desviación compuesto por todos los nodos en el gráfico de características. Es una etiqueta de nodo compuesta por un vector unidimensional. Cabe señalar que S solo puede ayudar a los ingenieros a proponer estrategias para mejorar la tolerancia, no puede indicar directamente qué valor específico debe aumentarse.

El marco HGAT propuesto se puede dividir en tres partes: capa de entrada, capa jerárquica y capa de predicción. Se utilizó un algoritmo GAT en la capa de entrada y un mecanismo de múltiples cabezales para estabilizar el proceso de aprendizaje. La entrada de la capa de entrada es el gráfico inicial N0 y la representación del nodo de salida N1 se puede calcular de la siguiente manera39:

donde \(I\) es el número de cabeza, \(T^{i}\) es la matriz de transformación, \(\sigma \left( {} \right)\) es la función de activación ELU no lineal y \( \alpha^{i}\) es la matriz de coeficientes de atención del gráfico regularizado.

Hay l capas en la capa jerárquica. Cada capa consta de dos tipos de operaciones simétricas, llamadas cálculo aproximado y cálculo refinado. Inspirándose en el esquema de partición de k vías40, la fuerza de la conexión entre el nodo \(v_{j}\) y el nodo \(v_{k}\) se define como:

donde \(A_{i}\) y \(D_{i}\) son la matriz de adyacencia y la matriz de grados del gráfico \(G_{i}\).

El cálculo aproximado del gráfico es una especie de operación de contracción que captura la estructura global e ignora los detalles. Según el conjunto de contracción, la matriz de contracción \(M_{i} \left( {r,h} \right)\) se define como

donde \(V_{i}^{r}\) denota el conjunto de contracción del gráfico \(G_{i}\). Por lo tanto, la representación de nodos y la matriz de adyacencia del gráfico \(G_{i + 1}\) se pueden calcular de la siguiente manera;

El cálculo refinado se introduce para restaurar la estructura del gráfico reducida por el cálculo aproximado. Según el cálculo refinado, la representación del nodo se define como

El proceso detallado de cálculo de la capa jerárquica se describe a continuación.

Por último, se agrega un clasificador softmax en la capa de predicción para predecir las etiquetas de nodo codificadas en caliente, que reflejan la magnitud de la desviación.

El proceso de trazabilidad de errores se muestra en la Fig. 6. De acuerdo con las etiquetas de los nodos, la tolerancia representada por los valores atípicos en S se selecciona para la prueba real. Cuando no se cumplen los requisitos de diseño, significa que las restricciones de tolerancia ya no se cumplen debido al desgaste o la fuerza. Las piezas correspondientes deben procesarse nuevamente o reemplazarse directamente. Si está dentro del rango de diseño, es necesario mejorar el grado de precisión del esquema de diseño. Finalmente, genere el esquema de mejora.

Proceso de trazabilidad de errores.

El propósito de esta sección es aumentar la capacidad de preservación de la privacidad del algoritmo de red neuronal gráfica. Más específicamente, nos centramos en la preservación de la representación y las relaciones de los nodos en el gráfico.

Para proteger la representación del nodo, se propone una representación jerárquica generalizada como se muestra en la Fig. 7a. Entrenamos el modelo de red neuronal gráfica en el servidor local. Por tanto, no es accesible para el adversario. En la aplicación del modelo HGAT, la representación del nodo corre el riesgo de ser atacada. Empleamos el procedimiento de engrosamiento para calcular la representación del nodo en diferentes niveles de engrosamiento. Luego refinamos el gráfico para tener la representación de cada nodo original. Luego, utilizamos el método de agregación para sintetizar la representación de nuevos nodos. Por lo tanto, la representación del nuevo nodo contiene información clasificada del original, incluso si es atacado, no filtrará la privacidad del nodo directamente.

En general, el enfoque de preservación es: (a) representación de nodos, (b) matriz adyacente.

Para proteger la matriz adyacente, se propone una reconstrucción de privacidad diferencial como se muestra en la Fig. 7b. De manera similar, clasificamos el proceso accesible por el adversario (cuadro de puntos rojos en la Fig. 7b) y no accesible por el adversario (cuadro de puntos verdes en la Fig. 7b). 7b). Comenzamos con el gráfico sin formato con rica información adyacente. Los ruidos se agregan presionando y agregando los bordes al azar. Para reducir sus efectos negativos en el proceso de entrenamiento posterior, se agrega una capa de aprendizaje de gráficos para modificar su matriz adyacente. Luego, la representación del nodo se calcula de acuerdo con la matriz adyacente. Por lo tanto, el gráfico en bruto está protegido por la metodología propuesta.

El equipo hidráulico de cuatro columnas que se muestra en la Fig. 8a consta de muchas partes. Pero no todas las partes son esenciales para el moldeado de gráficos de características. Para simplificar, se han seleccionado las partes clave del equipo hidráulico, como son la mesa de trabajo (1), el cursor (2), el vástago del pistón (3), las columnas (4, 5, 6 y 7), la viga (8 ), y el cilindro (9). Debido al frecuente movimiento alternativo del cursor, la desviación acumulada es mayor cuando el vástago del pistón alcanza la posición máxima y el cursor se mueve al punto más bajo al mismo tiempo. Por lo tanto, este estudio elige esta posición para establecer el gráfico de características. El conjunto simplificado del equipo hidráulico tridimensional y la definición detallada de los nodos se muestran en la Fig. 8c. El gráfico de características del equipo hidráulico de cuatro columnas se muestra en la Fig. 8b. Hay 31 nodos y 47 aristas en el gráfico de características, y la relación de adyacencia de los nodos se muestra en la Tabla 1.

Estudio de caso: (a) diagrama esquemático de la prensa hidráulica de cuatro columnas que se va a reparar y la recopilación de desviaciones en el sitio, (b) gráfico de características del equipo hidráulico de cuatro columnas, (c) ensamblaje simplificado del equipo hidráulico tridimensional y definición de nodo , (d) todas las etiquetas de los nodos de la prensa hidráulica de cuatro columnas representadas en 5 colores.

Los 31 nodos en el gráfico de características se dividen en tres tipos de conjuntos de datos, como se muestra en la Tabla 2. La relación entre el conjunto de prueba y el conjunto de verificación es la misma que la del conjunto de datos estándar. El conjunto de entrenamiento se utiliza para entrenar la red neuronal, que incluye todos los nodos con etiquetas. El conjunto de validación se utiliza para seleccionar hiperparámetros. El conjunto de prueba se utiliza para probar la precisión del algoritmo. Las etiquetas de todos los nodos se utilizan para depurar el modelo propuesto.

A continuación, calcule la matriz de gradiente de desviación según los datos de prueba. Según los datos de simulación, los principales hiperparámetros obtenidos mediante la depuración son los siguientes: el nivel de clasificación es 1, la caída de peso se establece en 0,01 y no hay abandono. La capa de entrada contiene 8 encabezados de atención. Las desviaciones se muestran en la Tabla 3. Las etiquetas se definen según sus valores lc. El proceso de medición in situ de los objetos físicos y las desviaciones de la prensa hidráulica a reparar se muestran en la Fig. 8a. Limitado por las condiciones, para la medición se utiliza un instrumento micrométrico con una herramienta de medición especial. La fórmula de la función trigonométrica inversa se utiliza para convertir los datos de distancia medidos en datos de ángulos. Para las superficies características que son difíciles de probar, se supone que las desviaciones obedecen a una distribución normal en el intervalo FR y los datos de desviación se generan mediante el método de simulación de Monte Carlo.

Los nodos 1a-8b en la Tabla 3 representan la superficie superior de la mesa de trabajo (1), la superficie superior del cursor (2), la superficie inferior del cursor (2), la superficie exterior del vástago del pistón (3), la superficie cilíndrica exterior de la columna (4), la superficie cilíndrica exterior de la columna (5), la superficie cilíndrica exterior de la columna (6), la superficie cilíndrica exterior de la columna (7), la superficie inferior de la parte superior viga (8), y la superficie superior de la viga superior (8), respectivamente. Antes de calcular la matriz de gradiente de desviación S, se usa el modelo HGAT para predecir las etiquetas faltantes minimizando la pérdida de entropía cruzada de los datos en la Tabla 3. Como se muestra en la Fig. 8d, se usa un mapa de colores (Tabla 4) en la gráfico para representar todas las etiquetas de los nodos. Estos valores previstos pueden proporcionar una referencia para el mantenimiento. El cursor (2) y un lado del vástago del pistón (3) conectado al cursor se deforman mucho debido a la deformación de la columna (6). La desviación del lado de conexión entre la viga superior (8) y la columna (4) es grande. Por lo tanto, según la experiencia de producción real, reemplazar la columna (6) y ajustar los pernos superiores e inferiores ms1 y ms2 para nivelar la viga superior es la mejor estrategia de mantenimiento.

Los valores de tolerancia que deben mejorarse se determinan de acuerdo con la matriz de gradiente de desviación S. Los valores de S se muestran en la Tabla 5, y los valores que no figuran en la tabla son todos 0. Los primeros cuatro máximos en S representan los bordes 6a– 6b, 2c–5d, 2d–5e y 2d–5f, respectivamente. Los valores son 4, 3, 3 y 3 respectivamente. Se supone que las tolerancias reales todavía están dentro del rango de diseño en este momento. Para mejorar las tolerancias, la verticalidad de la superficie exterior y el paso de la columna, la tolerancia de posición de los cuatro orificios en el control deslizante y la verticalidad de los cuatro orificios en el control deslizante hacia su superficie inferior deben dar un valor de precisión más alto.

Los modelos de aprendizaje automático brindan nuevas posibilidades para obtener predicciones de alta fidelidad basadas en desviaciones de ensamblaje observables existentes durante el uso. Estas desviaciones son útiles para rediseños y reparaciones de productos durante todo el ciclo de vida del producto. En este artículo, se propuso un nuevo método de preservación de la privacidad para la predicción de la desviación del ensamblaje basado en el algoritmo HGAT. El HGAT se establece en función del gráfico de características definidas para predecir las desviaciones desconocidas del conjunto. Posteriormente, se identifican las desviaciones a mejorar en función de la matriz de gradiente de desviación. Luego, se introducen dos estrategias para proteger la privacidad de las desviaciones. La representación jerárquica generalizada y la reconstrucción de privacidad diferencial se construyen con base en el algoritmo HGAT para proteger la privacidad de la representación del nodo y la matriz adyacente, respectivamente. Finalmente, se selecciona una prensa hidráulica de cuatro columnas para verificar la viabilidad y superioridad del método propuesto. El método propuesto es efectivo y tiene la ventaja de predecir desviaciones del ensamblaje causadas por deformaciones desconocidas durante el uso. La precisión de la predicción de las desviaciones del ensamblaje se garantiza asignando diferentes pesos a los nodos adyacentes, mientras que el HGAT garantiza la eficiencia de todo el método. Además, se puede utilizar ampliamente para manejar otras cuestiones de datos en el marco de la colaboración en la cadena de valor orientada a PLM. Como la detección visual de relaciones y la predicción del movimiento de acciones.

Sin embargo, también existen algunas limitaciones y desventajas. La representación del nodo es relativamente simple y solo consta de información de la cadena de tolerancia e información de ubicación del nodo. El método propuesto se basa en algunos supuestos que pueden no cumplirse en la situación real. Por ejemplo, las derivaciones obedecen a una distribución normal. Se propone la prioridad de mejorar la precisión, pero falta el análisis cuantitativo.

Por lo tanto, las direcciones futuras se pueden concluir de la siguiente manera. El modelo de aprendizaje automático está en desarrollo y puede conducir a una representación mejorada de los nodos con suficiente información gráfica. El análisis cualitativo está limitado en el grado de desviación así como en la ubicación del mantenimiento, lo que sugiere un análisis cuantitativo para determinar los valores críticos de las desviaciones a mejorar. Con respecto a la asignación de tolerancias, el modelo de optimización multiobjetivo debe establecerse teniendo en cuenta el costo de fabricación real para diferentes niveles de precisión.

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles del autor correspondiente previa solicitud razonable.

Stark, J. Gestión del ciclo de vida del producto (PLM)[M]//Gestión del ciclo de vida del producto (Volumen 1) 1–33 (Springer, 2020).

Reservar Google Académico

Chiang, TA & Trappey, AJC Desarrollo de un modelo colaborativo de cadena de valor para la gestión del ciclo de vida del producto y su adopción en la industria LCD. En t. J. Prod. Economía. 109(1–2), 90–104. https://doi.org/10.1016/j.ijpe.2006.11.005 (2007).

Artículo de Google Scholar

Arditi, D., Kale, S. & Tangkar, M. Innovación en equipos de construcción y su flujo hacia la industria de la construcción. J. Constr. Ing. Gestionar. 123(4), 371–378. https://doi.org/10.1061/(ASCE)0733-9364(1997)123:4(371) (1997).

Artículo de Google Scholar

Ghie, W., Laperrière, L. & Desrochers, A. Análisis estadístico de tolerancia utilizando el modelo unificado Jacobiano-Torsor. En t. J. Prod. Res. 48(15), 4609–4630. https://doi.org/10.1080/00207540902824982 (2010).

Artículo MATEMÁTICAS Google Scholar

Stivala, A., Robins, G. & Lomi, A. Estimación de parámetros del modelo de gráfico aleatorio exponencial para redes dirigidas muy grandes. MÁS UNO 15(1), e0227804. https://doi.org/10.1371/journal.pone.0227804 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Gao, C. y col. El control óptimo de la desviación del ensamblaje para estructuras grandes de paredes delgadas basado en patrones de desviación básicos. Proc. Inst. Mec. Ing. Parte B J. Ing. Fabricante. 236(3), 204–218. https://doi.org/10.1177/09544054211024565 (2022).

Artículo de Google Scholar

Sun, Q. y col. Estimación de la desviación del ensamblaje basada en el estado de acoplamiento real del ensamblaje. Computadora. Des ayudado. 115, 244–255. https://doi.org/10.1016/j.cad.2019.06.001 (2019).

Artículo de Google Scholar

Isaak, J. & Hanna, MJ Privacidad de los datos del usuario: Facebook, Cambridge Analytica y protección de la privacidad. Computadora 51 (8), 56–59. https://doi.org/10.1109/MC.2018.3191268 (2018).

Artículo de Google Scholar

Akrichi, S. y col. Predicción de redondez y desviación de posicionamiento en formación incremental de un solo punto utilizando enfoques de aprendizaje profundo. Adv. Mec. Ing. 11(7), 1687814019864465. https://doi.org/10.1177/1687814019864465 (2019).

Artículo de Google Scholar

Zhu, Z., Anwer, N. & Mathieu, L. Análisis modal estadístico para la predicción de desviación fuera del plano en fabricación aditiva basado en simulación de elementos finitos. J. Manuf. Ciencia. Ing. https://doi.org/10.1115/1.4044837 (2019).

Artículo de Google Scholar

Wu, X. y col. Método de predicción de SOC basado en el envejecimiento del paquete de baterías y la desviación de consistencia de las características termoeléctricas. Representante de Energía 8, 2262–2272. https://doi.org/10.1016/j.egyr.2022.01.056 (2022).

Artículo de Google Scholar

Dantan, JY, Anwer, N. & Mathieu, L. Proceso de tolerancia integrado para diseño conceptual. CIRP Ana. 52(1), 135-138. https://doi.org/10.1016/S0007-8506(07)60549-6 (2003).

Artículo de Google Scholar

Zhang, J. y col. Red neuronal recurrente para la predicción de trayectorias de movimiento en un ensamblaje colaborativo entre humanos y robots. CIRP Ana. 69(1), 9-12. https://doi.org/10.1016/j.cirp.2020.04.077 (2020).

Artículo de Google Scholar

Sun, X. et al. Un enfoque impulsado por gemelos digitales para el montaje y puesta en marcha de productos de alta precisión. Robot. Comput.-Integr. Fabricación. 61, 101839. https://doi.org/10.1016/j.rcim.2019.101839 (2020).

Artículo de Google Scholar

Goetz, S., Schleich, B. & Wartzack, S. Un nuevo enfoque para las primeras evaluaciones de tolerancia en la etapa de diseño conceptual basado en gráficos de tolerancia. Proc. CIRP 75, 167-172. https://doi.org/10.1016/j.procir.2018.04.030 (2018).

Artículo de Google Scholar

Zhou, S., Liu, Z. y Tan, J. Modelo de propagación de desviación de secuencia de ensamblaje y enfoque de evaluación de calidad basado en el grado de variación dimensional. Mentón. J. Mech. Ing. 47(2), 1–8 (2011).

ADS del artículo Google Scholar

Liu, D. & Jiang, P. Análisis de fluctuación del flujo de procesos basado en una red de propagación de errores. Mentón. J. Mech. Ing. 46(2), 14-21 (2010).

Artículo CAS Google Scholar

Han, X. y col. Estrategias de predicción de vida útil restante y mantenimiento predictivo para sistemas de fabricación multiestado considerando la dependencia funcional. Confiable. Ing. Sistema. Seguro. 210, 107560. https://doi.org/10.1016/j.ress.2021.107560 (2021).

Artículo de Google Scholar

Asante, JN Un modelo de torsor de pequeño desplazamiento para el análisis de tolerancia en un conjunto de pieza de trabajo. Proc. Inst. Mec. Ing. Parte B J. Ing. Fabricación. 223(8), 1005–1020. https://doi.org/10.1243/09544054JEM1337 (2009).

Artículo de Google Scholar

Dantan, JY, Mathieu, L., Ballu, A. y Martin, P. Síntesis de tolerancia: noción de cuantificador y límite virtual. Computadora. Des ayudado. 37(2), 231–240. https://doi.org/10.1016/j.cad.2004.06.008 (2005).

Artículo de Google Scholar

Mu, X. y col. Modelado de tolerancia 3D y análisis de precisión geométrica de características planas para piezas flexibles. Ing. Computadora. https://doi.org/10.1108/EC-10-2017-0388 (2018).

Artículo de Google Scholar

Vabalas, A. y col. Validación de algoritmos de aprendizaje automático con un tamaño de muestra limitado. MÁS UNO 14(11), e0224365. https://doi.org/10.1371/journal.pone.0224365 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Raschka, S. Evaluación de modelos, selección de modelos y selección de algoritmos en aprendizaje automático. Preimpresión de arXiv arXiv: 1811.12808, 2018. https://doi.org/10.1016/j.earscirev.2020.103225

Ying, R., He, R., Chen, K., Eksombatchai, P., Hamilton, WL, Leskovec, J. Graficar redes neuronales convolucionales para sistemas de recomendación a escala web. En Actas de la 24ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos, 974–983 (julio de 2018). https://doi.org/10.1145/3219819.3219890

Gilmer, J., Schoenholz, SS, Riley, PF, Vinyals, O., Dahl, GE Mensaje neuronal que pasa por la química cuántica. En la conferencia internacional sobre aprendizaje automático 1263–1272 PMLR

Kipf, TN, Welling, M. (2016). Clasificación semisupervisada con redes convolucionales de gráficos. Preimpresión de arXiv arXiv:1609.02907 (julio de 2017). https://arxiv.org/abs/1609.02907

Wang, X., Ji, H., Shi, C., et al. Red de atención de gráficos heterogéneos[C]//La conferencia mundial de la web. 2019. https://doi.org/10.1145/3308558.3313562

Mi, L., Chen, Z. Red de atención de gráficos jerárquicos para la detección de relaciones visuales [C] // Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones. 2020: 13886–13895.

Kim, R., So, CH, Jeong, M., et al. Sombreros: una red de atención de gráficos jerárquicos para la predicción del movimiento de acciones [J]. Preimpresión de arXiv arXiv:1908.07999, 2019. https://doi.org/10.48550/arXiv.1908.07999

Wang, X., Li, J., Kuang, X., Tan, YA y Li, J. La seguridad del aprendizaje automático en un entorno adversario: una encuesta. J. Distribución paralela. Computadora. 130, 12-23. https://doi.org/10.1016/j.jpdc.2019.03.003 (2019).

Artículo de Google Scholar

Zhou, J., Chen, C., Zheng, L., Zheng, X., Wu, B., Liu, Z., Wang, L. Red neuronal gráfica que preserva la privacidad para la clasificación de nodos. Impresiones electrónicas de arXiv, arXiv-2005 (2020).

Bernabé, JB et al. Soluciones que preservan la privacidad para blockchain: revisión y desafíos. Acceso IEEE 7, 164908–164940. https://doi.org/10.1109/ACCESS.2019.2950872 (2019).

Artículo de Google Scholar

Boulemtafes, A., Derhab, A. y Challal, Y. Una revisión de técnicas de preservación de la privacidad para el aprendizaje profundo. Neurocomputación 384, 21–45. https://doi.org/10.1016/j.neucom.2019.11.041 (2020).

Artículo de Google Scholar

De, CE Una descripción general de la privacidad en el aprendizaje automático.arXiv preimpresión arXiv:2005.08679 (2020).

Fredrikson, M., Jha, S., Ristenpart, T. Ataques de inversión de modelos que explotan información de confianza y contramedidas básicas. En Actas de la 22ª conferencia ACM SIGSAC sobre seguridad informática y de las comunicaciones 1322–1333 (octubre de 2015). https://doi.org/10.1145/2810103.2813677

Zemenkova, MY, Shipovalov, AN y Zemenkov, YD Modelado matemático de sistemas complejos de maquinaria hidráulica al evaluar la confiabilidad utilizando la teoría de grafos[C]//Serie de conferencias IOP: Ciencia e ingeniería de materiales. Publicación IOP 127(1), 012056 (2016).

Google Académico

Srinivasan, V. Una visión integrada de la especificación y verificación de productos geométricos. En Especificación geométrica del producto y verificación de la integración de la funcionalidad 1–11 (Springer, 2003). https://doi.org/10.1007/978-94-017-1691-8_1.

Capítulo Google Scholar

Liu, X. y col. Optimización robusta multiobjetivo para un engranaje magnético coaxial con modulador de flujo dual. Traducción IEEE. Magn. 55, 1–8. https://doi.org/10.1109/TMAG.2018.2887273 (2019).

Artículo de Google Scholar

Xu K, Li C, Tian Y, et al. Aprendizaje de representación en gráficos con redes de conocimiento saltarinas [J]. Preimpresión de arXiv arXiv:1806.03536, 2018.

Karypis, G. y Kumar, V. Esquema de partición de k-vías multinivel para gráficos irregulares. J. Distribución paralela. Computadora. 48(1), 96-129 (1998).

Artículo de Google Scholar

Descargar referencias

Este trabajo fue apoyado por el Programa Nacional Clave de Investigación y Desarrollo de China (No. 2020YFB1711700) y la Fundación Nacional de Ciencias Naturales de China (Nos. 52075479 y 52105281). Se extiende un sincero agradecimiento a los revisores de este artículo por sus útiles comentarios.

Laboratorio estatal clave de sistemas mecatrónicos y de energía fluida, Universidad de Zhejiang, Hangzhou, 310027, República Popular de China

Hao Qiu, Yixiong Feng, Zhaoxi Hong y Jianrong Tan

Centro de Investigación en Ingeniería para Ingeniería de Diseño y Gemelo Digital de la Provincia de Zhejiang, Universidad de Zhejiang, Hangzhou, 310027, República Popular de China

Hao Qiu, Yixiong Feng, Zhaoxi Hong, Kangjie Li y Jianrong Tan

Departamento de Ingeniería Mecánica y Aeroespacial, Universidad de Ciencia y Tecnología de Hong Kong Clear Water Bay, Kowloon, Hong Kong

Kang Jie Li

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

HQ: conceptualización, metodología, redacción-revisión y edición. YF: conceptualización, supervisión, redacción-revisión y edición. ZH: redacción-revisión y edición, KL: software, validación. JT: supervisión.

Correspondencia a Zhaoxi Hong.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Qiu, H., Feng, Y., Hong, Z. et al. Preservación de la privacidad para la predicción de desviaciones de ensamblaje en un modelo de aprendizaje automático de equipos hidráulicos en colaboración con la cadena de valor. Informe científico 12, 10733 (2022). https://doi.org/10.1038/s41598-022-14835-1

Descargar cita

Recibido: 18 de febrero de 2022

Aceptado: 13 de mayo de 2022

Publicado: 24 de junio de 2022

DOI: https://doi.org/10.1038/s41598-022-14835-1

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.