Privacy

Blog

CasaCasa / Blog / Privacy

May 01, 2024

Privacy

Scientific Reports volume 12, numero articolo: 10733 (2022) Cita questo articolo 681 Accessi Dettagli metriche Le attrezzature idrauliche, come un tipico prodotto meccanico, sono state ampiamente utilizzate in vari campi.

Rapporti scientifici volume 12, numero articolo: 10733 (2022) Citare questo articolo

681 accessi

Dettagli sulle metriche

Le apparecchiature idrauliche, in quanto tipico prodotto meccanico, sono state ampiamente utilizzate in vari campi. L'acquisizione accurata e la trasmissione sicura dei dati di deviazione dell'assemblaggio sono le questioni più critiche per i produttori di apparecchiature idrauliche nella collaborazione della catena del valore orientata al PLM. I metodi esistenti di previsione delle deviazioni vengono utilizzati principalmente per il controllo di qualità dell'assemblaggio, che si concentra nella fase di progettazione e assemblaggio del prodotto. Tuttavia, le effettive deviazioni dell'assemblaggio generate nella fase di servizio possono essere utilizzate per guidare la manutenzione dell'apparecchiatura e la progettazione delle tolleranze. In questo articolo viene proposto un metodo di previsione ad alta fedeltà e di preservazione della privacy basato sulle deviazioni di assemblaggio osservabili. Viene stabilita una rete di attenzione del grafico gerarchico (HGAT) per prevedere le deviazioni delle caratteristiche dell'assieme. Vengono inoltre introdotte le tecniche di rappresentazione generalizzata gerarchica e di ricostruzione differenziale della privacy per generare il modello della rete di attenzione del grafo per preservare la privacy della deviazione dell'assemblaggio. Viene stabilita una matrice del gradiente di derivazione per calcolare l'indice necessario modificato definito delle parti dell'assieme. Due strategie di preservazione della privacy sono progettate per proteggere la privacy dell'assieme della rappresentazione del nodo e della relazione adiacente. L'efficacia e la superiorità del metodo proposto sono dimostrate da un caso di studio con una pressa idraulica a quattro colonne.

La collaborazione della catena del valore orientata al PLM (Product-Lifecycle-Management)1,2 è diventata l’ultima modalità per migliorare la competitività nella globalizzazione dell’economia. La diagnosi e la manutenzione intelligenti dei prodotti meccanici sono una delle parti più importanti. Le attrezzature idrauliche svolgono un ruolo significativo nell'industria manifatturiera3. Dopo un utilizzo prolungato, le deviazioni di ciascuna parte possono essere molto diverse dai valori teorici a causa della deformazione rispetto alla posizione ideale4. I metodi di manutenzione esistenti sono quasi ciechi, richiedono molto tempo e sono laboriosi. Perché negli assemblaggi complessi le deviazioni misurabili sono limitate. Le deviazioni complete forniscono numerose informazioni guida per la manutenzione dell'assieme. Pertanto, vengono proposti i modelli grafici5, una nuova branca del metodo di apprendimento automatico, per prevedere le deviazioni sconosciute basate sul grafico delle caratteristiche6,7. Qui, questa ricerca si concentra sulla tutela della privacy per la previsione della deviazione dell'assemblaggio. La riservatezza dei dati8 è vitale, perché le deviazioni sono sensibili ed è necessario evitare la fuga di informazioni strumentali derivate dai modelli grafici. La ricerca esistente si concentra sull'allocazione delle deviazioni nella progettazione del prodotto9,10,11 e nella fase di assemblaggio12,13,14. Ad esempio, Stefan et al.15 hanno proposto un metodo per la valutazione della tolleranza nella fase di progettazione concettuale del prodotto. Consente ai progettisti di valutare le tolleranze prima che venga definita la geometria finale. Zhou et al.16 hanno proposto un modello di propagazione della deviazione della sequenza di assemblaggio basato sulla matrice di adiacenza delle caratteristiche di assemblaggio e sulla matrice di tolleranza delle caratteristiche geometriche. L'influenza delle deviazioni cumulative delle diverse sequenze di assemblaggio sulla qualità dell'assemblaggio del prodotto può essere valutata in modo accurato ed efficace. Inoltre, Liu et al.17 hanno proposto un metodo di valutazione e identificazione delle fluttuazioni basato su una rete di propagazione degli errori di lavorazione. È possibile identificare le fonti delle fluttuazioni nel processo di lavorazione del pezzo. Tuttavia, i metodi di previsione della deviazione esistenti vengono utilizzati principalmente per il controllo della qualità dell'assemblaggio. La maggior parte degli studi si concentra sulla fase di progettazione e non considera le deviazioni delle caratteristiche geometriche durante l'utilizzo. Trascurando le deformazioni, questi studi rientrano nella categoria dell'assemblaggio di corpi rigidi. Inoltre, le deviazioni generate nella fase di servizio non vengono utilizzate per guidare la manutenzione del prodotto o migliorare l'assegnazione della tolleranza18.

Inoltre, un assieme meccanico può essere considerato un grafico di caratteristiche19,20,21. Con lo sviluppo dell'intelligenza artificiale, esiste un ramo promettente per generalizzare gli algoritmi di apprendimento automatico22,23 al dominio grafico24,25,26. E le deviazioni mancanti nell'assieme dovrebbero essere previste in base al grafico delle caratteristiche. In questo articolo è stata proposta una rete di attenzione del grafico gerarchico (HGAT)27,28,29 per prevedere le deviazioni di assemblaggio sconosciute dell'attrezzatura idraulica e viene definita una matrice del gradiente di derivazione per la manutenzione dell'attrezzatura. Da un lato, il meccanismo gerarchico del metodo HGAT proposto è vantaggioso per l'utilizzo delle informazioni sulla struttura del grafico. D'altra parte, i pesi dei nodi adiacenti migliorano ulteriormente l'accuratezza della previsione della deviazione.