Blog

May 01, 2024

Confidentialité

Scientific Reports volume 12, Numéro d'article : 10733 (2022) Citer cet article 681 Accès aux détails des métriques L'équipement hydraulique, en tant que produit mécanique typique, a été largement utilisé dans divers domaines.

Rapports scientifiques volume 12, Numéro d'article : 10733 (2022) Citer cet article

681 Accès

Détails des métriques

L'équipement hydraulique, en tant que produit mécanique typique, a été largement utilisé dans divers domaines. L'acquisition précise et la transmission sécurisée des données d'écart d'assemblage sont les problèmes les plus critiques pour les fabricants d'équipements hydrauliques dans la collaboration sur la chaîne de valeur orientée PLM. Les méthodes existantes de prévision des écarts sont principalement utilisées pour le contrôle qualité de l’assemblage, qui se concentrent sur la phase de conception et d’assemblage du produit. Cependant, les écarts d'assemblage réels générés lors de la phase de service peuvent être utilisés pour guider la maintenance de l'équipement et la conception des tolérances. Dans cet article, une méthode de prédiction haute fidélité et de préservation de la confidentialité est proposée, basée sur les écarts d'assemblage observables. Un réseau d'attention graphique hiérarchique (HGAT) est établi pour prédire les écarts des caractéristiques d'assemblage. Les techniques de représentation hiérarchique généralisée et de reconstruction différentielle de la confidentialité sont également introduites pour générer le modèle de réseau d'attention graphique pour la préservation de la confidentialité des déviations d'assemblage. Une matrice de gradient de dérivation est établie pour calculer l'indice nécessaire modifié défini des pièces d'assemblage. Deux stratégies de préservation de la confidentialité sont conçues pour protéger la confidentialité de l'assemblage de la représentation des nœuds et des relations adjacentes. L'efficacité et la supériorité de la méthode proposée sont démontrées par une étude de cas avec une presse hydraulique à quatre colonnes.

La collaboration sur la chaîne de valeur orientée PLM (Product-Lifecycle-Management)1,2 est devenue le dernier moyen d'améliorer la compétitivité dans l'économie mondialisée. Le diagnostic et la maintenance intelligents des produits mécaniques sont l'un des éléments les plus importants. Les équipements hydrauliques jouent un rôle important dans l’industrie manufacturière3. Après une utilisation prolongée, les écarts de chaque pièce peuvent être très différents des valeurs théoriques en raison de la déformation par rapport à la position idéale4. Les méthodes de maintenance existantes sont presque aveugles, longues et laborieuses. Car les écarts mesurables sont limités dans les assemblages complexes. Les écarts complets fournissent une multitude d’informations d’orientation pour la maintenance de l’assemblage. Par conséquent, les modèles graphiques5, une nouvelle branche de la méthode d’apprentissage automatique, sont proposés pour prédire les écarts inconnus sur la base du graphique de caractéristiques6,7. Ici, cette recherche se concentre sur la préservation de la confidentialité pour la prédiction des déviations d’assemblage. La confidentialité des données8 est vitale, car les écarts sont sensibles et il est nécessaire d’éviter les fuites d’informations sur les équipements dérivées des modèles graphiques. Les recherches existantes se concentrent sur l’allocation des écarts lors de la conception du produit9,10,11 et de l’étape d’assemblage12,13,14. Par exemple, Stefan et al.15 ont proposé une méthode d'évaluation de la tolérance au stade de la conception du produit. Il permet aux concepteurs d'évaluer les tolérances avant que la géométrie finale ne soit définie. Zhou et al.16 ont proposé un modèle de propagation des écarts de séquence d'assemblage basé sur la matrice de contiguïté des caractéristiques d'assemblage et la matrice de tolérance des caractéristiques géométriques. L'influence des écarts cumulés des différentes séquences d'assemblage sur la qualité de l'assemblage du produit peut être évaluée avec précision et efficacité. Par ailleurs, Liu et al.17 ont proposé une méthode d'évaluation et d'identification des fluctuations basée sur un réseau de propagation des erreurs d'usinage. Les sources de fluctuations dans le processus d'usinage de la pièce peuvent être identifiées. Cependant, les méthodes existantes de prédiction des écarts sont principalement utilisées pour le contrôle qualité des assemblages. La plupart des études se concentrent sur la phase de conception et ne prennent pas en compte les écarts des caractéristiques géométriques lors de l'utilisation. Hors déformations, ces études rentrent dans la catégorie des assemblages de corps rigides. De plus, les écarts générés lors de la phase de service ne sont pas utilisés pour guider la maintenance du produit ou améliorer l'allocation des tolérances18.

De plus, un ensemble mécanique peut être considéré comme un graphique de caractéristiques19,20,21. Avec le développement de l’intelligence artificielle, il existe une branche prometteuse pour généraliser les algorithmes d’apprentissage automatique22,23 au domaine graphique24,25,26. Et les écarts manquants dans l'assemblage devraient être prédits sur la base de son graphique de caractéristiques. Dans cet article, un réseau d'attention graphique hiérarchique (HGAT)27,28,29 a été proposé pour prédire les écarts d'assemblage inconnus de l'équipement hydraulique, et une matrice de gradient de dérivation est définie pour la maintenance de l'équipement. D'une part, le mécanisme hiérarchique de la méthode HGAT proposée est bénéfique pour l'utilisation des informations sur la structure du graphe. D’un autre côté, les poids des nœuds adjacents améliorent encore la précision de la prédiction de l’écart.