摘要：针对社群化制造资源分散化布局的特点，以及传统集中式建模面临的数据隐私与信息孤岛等问题，提出了一种基于联邦学习的韧性能力预测框架，从多角度分析不同因素对产品生产加工工时的影响。首先，考虑不同工序中断情况，以订单交付周期为目标函数搭建工时扰动模型计算损失时间，进而基于分布式学习范式搭建联邦学习网络模型；其次，设计了联邦小批量梯度下降（FedMBGD）算法，明确算法流程并进行本地训练；最后，结合工时扰动模型和算法，对社群化制造的韧性能力进行预测，并通过与其他算法的对比，验证了所提算法的可行性与有效性。研究结果表明：所提出的算法能够显著提升收敛性与寻优能力，将预测精确度提高至90%以上，并且在不共享原始数据的前提下，实现了社群化制造韧性的动态精准预测，解决了数据隐私与协同建模之间的矛盾。该研究为社群化制造模式下韧性能力预测提供了理论参考，为隐私数据的算法训练、参数上传及信息共享提供了指导意义。
文章目录
1 问题的描述
2 社群化制造节点的工时扰动模型
2.1 基于工时延误的扰动分析
2.2 联邦学习网络模型搭建
2.3 面向订单交付周期的目标函数
3 基于梯度下降算法的韧性能力预测
3.1 联邦小批量梯度下降算法
3.2 算法流程设计
4 案例分析
4.1 数据采集与分析
4.2 实验结果
5 结 论
