Privacidade

Scientific Reports volume 12, Artigo número: 10733 (2022) Citar este artigo

681 Acessos

Detalhes das métricas

O equipamento hidráulico, como um produto mecânico típico, tem sido amplamente utilizado em diversos campos. A aquisição precisa e a transmissão segura de dados de desvio de montagem são as questões mais críticas para os fabricantes de equipamentos hidráulicos na colaboração da cadeia de valor orientada para PLM. Os métodos existentes de previsão de desvio são usados ​​principalmente para controle de qualidade de montagem, que se concentram no projeto do produto e na fase de montagem. No entanto, os desvios reais de montagem gerados na fase de serviço podem ser usados ​​para orientar a manutenção do equipamento e o projeto de tolerância. Neste artigo, um método de previsão de alta fidelidade e preservação de privacidade é proposto com base nos desvios de montagem observáveis. Uma rede hierárquica de atenção gráfica (HGAT) é estabelecida para prever os desvios dos recursos de montagem. As técnicas de representação hierárquica generalizada e reconstrução diferencial de privacidade também são introduzidas para gerar o modelo de rede de atenção de grafos para preservação de privacidade de desvio de montagem. Uma matriz de gradiente de derivação é estabelecida para calcular o índice necessário modificado definido de peças de montagem. Duas estratégias de preservação de privacidade são projetadas para proteger a privacidade da montagem da representação do nó e do relacionamento adjacente. A eficácia e superioridade do método proposto são demonstradas por um estudo de caso com uma prensa hidráulica de quatro colunas.

A colaboração da cadeia de valor orientada para PLM (Product-Lifecycle-Management)1,2 tornou-se a forma mais recente de melhorar a competitividade na globalização da economia. O diagnóstico inteligente e a manutenção de produtos mecânicos são uma das partes mais importantes. O equipamento hidráulico desempenha um papel significativo na indústria transformadora3. Após um uso prolongado, os desvios de cada peça podem ser muito diferentes dos valores teóricos devido à deformação fora da posição ideal4. Os métodos de manutenção existentes são quase cegos, demorados e trabalhosos. Porque os desvios mensuráveis ​​são limitados nas montagens complexas. Desvios completos fornecem muitas informações de orientação para a manutenção da montagem. Assim, os modelos gráficos5, um novo ramo do método de aprendizado de máquina, são propostos para prever os desvios desconhecidos com base no gráfico de características6,7. Aqui, esta pesquisa concentra-se na preservação da privacidade para a previsão do desvio de montagem. A privacidade dos dados8 é vital, pois os desvios são sensíveis e é necessário evitar o vazamento de informações dos equipamentos derivados dos modelos gráficos. As pesquisas existentes concentram-se na alocação de desvios no projeto do produto9,10,11 e na fase de montagem12,13,14. Por exemplo, Stefan et al.15 propuseram um método para avaliação de tolerância na fase de projeto conceitual do produto. Ele permite que os projetistas avaliem as tolerâncias antes que a geometria final seja definida. Zhou et al.16 propuseram um modelo de propagação de desvio de sequência de montagem baseado na matriz de adjacência de recursos de montagem e na matriz de tolerância de recursos geométricos. A influência dos desvios cumulativos de diferentes sequências de montagem na qualidade da montagem do produto pode ser avaliada com precisão e eficácia. Além disso, Liu et al.17 propuseram um método de avaliação e identificação de flutuações baseado em uma rede de propagação de erros de usinagem. As fontes de flutuações no processo de usinagem da peça podem ser identificadas. No entanto, os métodos existentes de previsão de desvio são usados ​​principalmente para controle de qualidade de montagem. A maioria dos estudos concentra-se na fase de projeto e não considera os desvios das características geométricas durante o uso. Desconsiderando as deformações, estes estudos enquadram-se na categoria de montagem de corpo rígido. Além disso, os desvios gerados na etapa de serviço não são utilizados para orientar a manutenção do produto ou melhorar a alocação de tolerância18.

Além disso, uma montagem mecânica pode ser considerada um gráfico de características 19,20,21. Com o desenvolvimento da inteligência artificial, existe um ramo promissor para generalizar os algoritmos de aprendizado de máquina22,23 para o domínio dos gráficos24,25,26. E espera-se que os desvios ausentes na montagem sejam previstos com base em seu gráfico de características. Neste artigo, uma rede hierárquica de atenção gráfica (HGAT)27,28,29 foi proposta para prever os desvios desconhecidos de montagem do equipamento hidráulico, e uma matriz de gradiente de derivação é definida para manutenção do equipamento. Por um lado, o mecanismo hierárquico do método HGAT proposto é benéfico para a utilização de informações da estrutura do gráfico. Por outro lado, os pesos dos nós adjacentes melhoram ainda mais a precisão da previsão do desvio.