プライバシー

Scientific Reports volume 12、記事番号: 10733 (2022) この記事を引用

681 アクセス

メトリクスの詳細

油圧機器は代表的な機械製品として、さまざまな分野で活躍しています。 油圧機器メーカーにとって、PLM指向のバリューチェーン連携における組立偏差データの正確な取得と安全な送信は最も重要な課題です。 既存の偏差予測手法は、主に製品の設計と組立段階に集中する組立品質管理に使用されています。 ただし、サービス段階で生成される実際の組み立て偏差は、機器のメンテナンスと公差設計の指針として使用できます。 この論文では、観察可能な組み立ての偏差に基づいて、高忠実度の予測とプライバシー保護の方法を提案します。 階層グラフ アテンション ネットワーク (HGAT) を確立して、アセンブリ フィーチャの逸脱を予測します。 階層的一般化表現と差分プライバシー再構成技術も導入して、アセンブリ逸脱プライバシー保護のためのグラフアテンションネットワークモデルを生成します。 アセンブリ部品の定義済みの修正必要インデックスを計算するために、導出勾配行列が確立されます。 ノード表現と隣接関係のアセンブリのプライバシーを保護するために、2 つのプライバシー保護戦略が設計されています。 提案手法の有効性と優位性は、4 コラム油圧プレスを使用したケーススタディによって実証されます。

PLM (Product-Lifecycle-Management) 指向のバリュー チェーン コラボレーション 1,2 は、経済のグローバル化において競争力を向上させる最新の方法となっています。 機械製品のインテリジェントな診断とメンテナンスは、最も重要な部分の 1 つです。 油圧機器は製造業で重要な役割を果たしています3。 長期間使用すると、理想的な位置からの変形により、各部品の偏差が理論値と大きく異なることがあります4。 既存のメンテナンス方法はほとんど盲目的で、時間と労力がかかります。 複雑なアセンブリでは測定可能な偏差が限られているためです。 完全な逸脱は、アセンブリのメンテナンスに関する豊富なガイダンス情報を提供します。 したがって、機械学習方法の新しい分野であるグラフ モデル 5 は、特徴グラフ 6,7 に基づいて未知の偏差を予測するために提案されています。 ここで本研究は、組立逸脱予測におけるプライバシー保護に焦点を当てた研究である。 偏差は敏感であり、グラフ モデルから得られる機器情報の漏洩を回避する必要があるため、データ プライバシー 8 は極めて重要です。 既存の研究は、製品設計 9、10、11 および組み立て段階 12、13、14 における偏差の割り当てに焦点を当てています。 例えば、Stefan et al.15 は、製品の概念設計段階で公差を評価する手法を提案している。 これにより、設計者は最終的な形状を定義する前に公差を評価できます。 Zhou et al.16 は、アセンブリ特徴隣接行列と幾何学的特徴許容差行列に基づいたアセンブリ順序偏差伝播モデルを提案しました。 さまざまな組み立て順序の累積偏差が製品の組み立て品質に及ぼす影響を正確かつ効果的に評価できます。 また、Liu ら 17 は、加工誤差伝播ネットワークに基づく変動評価・同定手法を提案している。 ワークの加工工程における変動の原因を特定できます。 しかし、既存の偏差予測手法は主に組立品質管理に使用されています。 ほとんどの研究は設計段階に焦点を当てており、使用中の幾何学的特徴の偏差は考慮されていません。 変形を無視すると、これらの研究は剛体アセンブリのカテゴリに分類されます。 さらに、サービス段階で生成された偏差は、製品のメンテナンスの指針や公差の割り当ての改善には使用されません18。

さらに、機械アセンブリは特徴グラフとみなすことができます19、20、21。 人工知能の発展として、機械学習アルゴリズム 22,23 をグラフ領域 24,25,26 に一般化する有望な分野があります。 また、アセンブリ内の欠落している偏差は、その特徴グラフに基づいて予測されることが期待されます。 本稿では，油圧機器の未知の組立偏差を予測するために階層型グラフアテンションネットワーク（HGAT）27,28,29を提案し，機器保全のために導出勾配行列を定義した。 一方で、提案された HGAT 手法の階層メカニズムは、グラフ構造情報を活用するのに有益です。 一方、隣接ノードの重みにより、偏差予測の精度がさらに向上します。