工业数字孪生数据隐私保护方法及相关介质技术

本发明专利技术公开了一种工业数字孪生数据隐私保护方法及相关介质，包括：基于每个工业设备的参数信息，确定参与训练的工业设备，将每个参与训练的工业设备的参数信息，作为一组训练数据；基于训练数据，对训练模型进行分组，得到若干组别的基础模型；根据预设的拆分规则，对每个组别的基础模型进行拆分，得到若干子模型，并对子模型进行组内子模型分配；采用联邦拆分学习的方式，选择参与联邦学习的工业设备，作为目标设备，并确定目标设备对应的组别和子模型；在每个目标设备上采用训练数据对子模型进行本地训练，并基于训练结果进行全局聚合，得到全局训练结果，将全局训练结果分发给所有工业设备，采用本发明专利技术提高工业数字孪生的性能和效果

【技术实现步骤摘要】
工业数字孪生数据隐私保护方法及相关介质


[0001]本专利技术涉及数据处理领域，尤其涉及一种工业数字孪生数据隐私保护方法
、
装置
、
计算机设备及介质
。

技术介绍

[0002]随着工业数字孪生是一种利用物理模型
、
传感器数据
、
云计算和大数据技术，实现对工业系统的实时仿真和优化的技术
。
工业数字孪生可以提高工业系统的效率
、
安全性和可靠性，同时也带来了数据隐私保护的挑战
。
由于工业数字孪生的任务涉及多个工业设备，每个工业设备都有自己的数据隐私需求和利益诉求，因此需要一种能够在保证数据隐私的同时，实现数据共享和协同分析的方法
。
[0003]然而由于工业设备的资源能力有限，难以通过自身资源完成初始化模型任务，使得资源利用不够充分，导致工业数字孪生数据处理效率低下
。

技术实现思路

[0004]本专利技术实施例提供一种工业数字孪生数据隐私保护方法
、
装置
、
计算机设备和存储介质，以提高工业数字孪生数据处理的效率，提高工业数字孪生性能
。
[0005]为了解决上述技术问题，本申请实施例提供一种工业数字孪生数据隐私保护方法，所述工业数字孪生数据隐私保护方法包括：基于每个工业设备的所述参数信息，确定参与训练的工业设备，将每个参与训练的工业设备的参数信息，作为一组训练数据；基于所述训练数据，对训练模型进行分组，得到若干组别的基础模型；根据预设的拆分规则，对每个组别的基础模型进行拆分，得到若干子模型，并对所述子模型进行组内子模型分配；采用联邦拆分学习的方式，选择参与联邦学习的工业设备，作为目标设备，并确定目标设备对应的组别和子模型；在每个所述目标设备上采用所述训练数据对子模型进行本地训练，并基于训练结果进行全局聚合，得到全局训练结果，将所述全局训练结果分发给所有工业设备
。
[0006]可选地，所述基于每个工业设备的所述参数信息，确定参与训练的工业设备包括：采集各个工业设备的参数信息；基于所述参数信息，确定各个工业设备的数据相似性
、
能力相似性和空间相似性；基于所述数据相似性
、
能力相似性和空间相似性，确定参与训练的工业设备
。
[0007]可选地，所述对所述子模型进行组内子模型分配包括：初始化每个参数的分配；定义每个参数的分配指标为：
[0008]其中，表示第
i
个工业设备分配到第
j
个子网络的参数数量占该子网络总参数数量的比例，和分别表示第
i
个工业设备的能力指标和实时因子，表示第
j
个子网络所属的组中包含的工业设备集合，表示第
j
个子网络的规模
。
[0009]迭代地更新分配，使得每次更新后，子网络的损失函数下降，直到达到一个收敛条件或者达到最大迭代次数
。
[0010]可选地，所述在每个所述目标设备上采用所述训练数据对子模型进行本地训练包括：每个工业设备在本地训练时，使用随机梯度下降算法，根据其本地数据集的损失函数计算梯度，并更新其子模型的参数；每个工业设备在本地训练时，使用动态学习率调整策略，根据其本地数据集的大小和分布，以及其子模型的复杂度，动态调整学习率的大小，以保证训练的收敛性和稳定性；每个工业设备在本地训练时，使用早停策略，根据其本地数据集的验证集上的表现，判断是否达到了最优的训练效果，如果没有明显的改善，则提前结束本地训练，以避免过拟合
。
[0011]可选地，所述基于训练结果进行全局聚合，得到全局训练结果包括：选择一个服务器节点作为全局聚合的协调者，负责收集和分发子模型的参数；每个工业设备在完成本地训练后，将自己的子模型的参数加密后发送给中心节点；服务器节点收集到所有工业设备的子模型参数后，使用加权平均法进行全局聚合
。
[0012]为了解决上述技术问题，本申请实施例还提供一种工业数字孪生数据隐私保护装置，包括：数据筛选模块，用于基于每个工业设备的所述参数信息，确定参与训练的工业设备，将每个参与训练的工业设备的参数信息，作为一组训练数据；模型分组模块，用于基于所述训练数据，对训练模型进行分组，得到若干组别的基础模型；模型分配模块，用于根据预设的拆分规则，对每个组别的基础模型进行拆分，得到若干子模型，并对所述子模型进行组内子模型分配；拆分学习模块，用于采用联邦拆分学习的方式，选择参与联邦学习的工业设备，作为目标设备，并确定目标设备对应的组别和子模型；训练模块，用于在每个所述目标设备上采用所述训练数据对子模型进行本地训练，并基于训练结果进行全局聚合，得到全局训练结果，将所述全局训练结果分发给所有工业设备
。
[0013]可选地，所述数据筛选模块包括：数据采集单元，用于采集各个工业设备的参数信息；相似性确定单元，用于基于所述参数信息，确定各个工业设备的数据相似性
、
能力相似性和空间相似性；参与对象确认单元，用于基于所述数据相似性
、
能力相似性和空间相似性，确定参与训练的工业设备
。
[0014]可选地，所述模型分配模块包括：初始化单元，用于初始化每个参数的分配；指标确定单元，用于定义每个参数的分配指标为：
[0015]其中，表示第
i
个工业设备分配到第
j
个子网络的参数数量占该子网络总参数数量的比例，和分别表示第
i
个工业设备的能力指标和实时因子，表示第
j
个子网络所属的组中包含的工业设备集合，表示第
j
个子网络的规模；迭代训练单元，用于迭代地更新分配，使得每次更新后，子网络的损失函数下降，直到达到一个收敛条件或者达到最大迭代次数
。
[0016]可选地，所述训练模块包括：第一更新单元，用于每个工业设备在本地训练时，使用随机梯度下降算法，根据其本地数据集的损失函数计算梯度，并更新其子模型的参数；本地训练单元，用于每个工业设备在本地训练时，使用动态学习率调整策略，根据其本地数据集的大小和分布，以及其子模型的复杂度，动态调整学习率的大小，以保证训练的收敛性和稳定性；迭代训练单元，用于每个工业设备在本地训练时，使用早停策略，根据其本地数据集的验证集上的表现，判断是否达到了最优的训练效果，如果没有明显的改善，则提前结束本地训练，以避免过拟合
。
[0017]可选地，所述训练模块还包括：节点选取单元，用于选择一个服务器节点作为全局聚合的协调者，负责收集和分发子模型的参数；加密传输单元，用于每个工业设备在完成本地训练后，将自己的子模型的参数加密后发送给中心节点；全局聚合单元，用于服务器节点收集到所有工业设备的子模型参数后，使用加权平均法进行全局聚合
。
[0018]为了解决上述技术问题，本申请实施例还提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种工业数字孪生数据隐私保护方法，其特征在于，所述工业数字孪生数据隐私保护方法包括：基于每个工业设备的参数信息，确定参与训练的工业设备，将每个参与训练的工业设备的参数信息，作为一组训练数据；基于所述训练数据，对训练模型进行分组，得到若干组别的基础模型；根据预设的拆分规则，对每个组别的基础模型进行拆分，得到若干子模型，并对所述子模型进行组内子模型分配；采用联邦拆分学习的方式，选择参与联邦学习的工业设备，作为目标设备，并确定目标设备对应的组别和子模型；在每个所述目标设备上采用所述训练数据对子模型进行本地训练，并基于训练结果进行全局聚合，得到全局训练结果，将所述全局训练结果分发给所有工业设备
。2.
如权利要求1所述的工业数字孪生数据隐私保护方法，其特征在于，所述基于每个工业设备的所述参数信息，确定参与训练的工业设备包括：采集各个工业设备的参数信息；基于所述参数信息，确定各个工业设备的数据相似性
、
能力相似性和空间相似性；基于所述数据相似性
、
能力相似性和空间相似性，确定参与训练的工业设备
。3.
如权利要求1所述的工业数字孪生数据隐私保护方法，其特征在于，所述对所述子模型进行组内子模型分配包括：初始化每个参数的分配；定义每个参数的分配指标为：，其中，表示第
i
个工业设备分配到第
j
个子网络的参数数量占该子网络总参数数量的比例，和分别表示第
i
个工业设备的能力指标和实时因子，表示第
j
个子网络所属的组中包含的工业设备集合，表示第
j
个子网络的规模；迭代地更新分配，使得每次更新后，子网络的损失函数下降，直到达到一个收敛条件或者达到最大迭代次数
。4.
如权利要求1所述的工业数字孪生数据隐私保护方法，其特征在于，所述在每个所述目标设备上采用所述训练数据对子模型进行本地训练包括：每个工业设备在本地训练时，使用随机梯度下降算法，根据其本地数据集的损失函数计算梯度，并更新其子模型的参数；每个工业设备在本地训练时，使用动态学习率调整策略，根据其本地数据集的大小和分布，以及其子模型的复杂度，动态调整学习率的大小，以保证训练的收敛性和稳定性；每个工业设备在本地训练时，使用早停策略，根据其本地数据集的验证集上的表现，判断是否达到了最优的训练效果，如果没有明显的改善，则提前结束本地训练，以避免过拟合
。
5.
如权利要求1所述的工业数字孪生数据隐私保护方法，其特征在于，所述基于训练结果进行全局聚合，得到全局训练结果包括：选择一个服务器节点作为全局聚合的协...

【专利技术属性】
技术研发人员：徐雪松，陈晓红，许冠英，范国滨，张震，张新玉，
申请(专利权)人：湘江实验室，
类型：发明
国别省市：