科创中国

新一代信息技术产业,高端装备制造产业,互联网与云计算、大数据服务,人工智能

成果为一种基于联邦增量学习的工业物联网数据共享方法，方法有效解决工业互联网新增数据量大、工厂子端数据量不均衡等问题，首先针对工厂子端数据量不均衡问题，提出联邦优选子端算法以避免弱势工厂子端数据被覆盖，其次，针对工厂子端大量新增数据与原行业联合模型融合问题提出联邦增量学习算法。本方法既考虑了联合训练中数据分布不均衡问题又兼顾了对新增状态数据的融合，满足了基于工业增量数据的行业联合模型持续优化的需求。

处于异构环境的每个工厂子端在本地训练时会出现模型性能差异，为了平衡工厂子端之间的性能差异，传统联邦学习会让部分子端阻塞等待，从而导致整体训练效率的损失。此外，由于工业大数据快速产生的海量增量以及数据强时序性等特点，使得如何减少联邦学习环境中异构性因素的影响以及如何在增量学习训练过程中平衡训练效率和模型精度，是工业领域联邦学习研究中亟待解决的难题，对我省乃至我国智能制造具有重要意义和价值。本成果提出基于联邦增量学习的工业物联网数据共享方法。该方法首先针对联邦学习子端数据统计异质性及实时新增数据量大的问题，拟提出本地迭代轮次自适应调整模型，即通过调整初始模型，根据不同训练状态自适应调整本地更新轮次，平衡模型训练速度和收敛精度的关系；然后针对子端实时增量数据的全局模型持续优化问题，拟提出基于增量加权聚合的联邦学习模型，通过联邦优选子端算法动态调整参与子集，进而利用联邦增量学习算法计算子端增量加权，从而使新增状态数据与全局模型快速融合，从而解决由于工业复杂异构环境导致的联邦增量学习效率和精度的瓶颈问题。

河北工业大学是一所工学并举、多学科协调发展的国家“211工程”重点建设的省属骨干大学，是国家“双一流”重点建设高校。河北工业大学人工智能与数据科学学院团队在工业数据计算、工业信息融合与协同等领域深入研究多年，先后荣获河北省科技进步一等奖、天津市科技进步二等奖等多项奖励。团队核心成员从2008年开始共同开展工业智能制造领域的研究，在数字化转型、智能制造、工业大数据建模、复杂系统等领域积累了领先的研究成果，长期致力于智慧工厂规划设计、数字化平台开发、数字化车间集成等领域的研究，团队相关研究成果在中信戴卡等国内外知名企业和项目均实现有效转化，为此次成果转化积累了科技成果与企业需求精准对接的经验，助力成果落地。

点击查看