本发明涉及大数据处理，且更具体地涉及一种基于边缘计算的3d打印工艺优化终端及优化方法。
背景技术：
1、随着人工智能和物联网技术的飞速发展，边缘计算作为一种新兴的计算模式逐渐崭露头角。在过去几年中，边缘计算已经成为了信息技术领域的重要研究方向之一。边缘计算的兴起源于对于大规模数据处理和实时性需求的迫切需求。传统的云计算模式存在数据传输延迟和带宽问题，这在某些应用场景下无法满足要求。而边缘计算通过将计算和存储资源移动到离用户和终端设备更近的位置，提供了更高的实时性和响应性。这对于许多领域的应用来说具有重要的意义，包括智能交通、智能制造、医疗保健等。
2、目前，边缘计算技术已经得到了广泛的应用和研究。许多大型科技公司和研究机构都在积极探索边缘计算的潜力。边缘设备的计算能力和存储容量不断提升，使得更加复杂的应用可以在边缘进行处理。同时，边缘计算的标准和协议也在不断完善，促进了设备之间的互操作性。
3、然而，尽管基于边缘计算的3d打印工艺优化终端在提供实时性和响应性方面取得了显著进展，但仍然面临一些挑战。
4、首先，由于边缘设备的计算资源有限，复杂的数据处理算法可能无法高效运行，导致优化过程的效率受到限制。其次，由于边缘设备的分布广泛且数量庞大，对于算法的更新和维护可能会面临困难。这可能导致终端设备上的优化算法滞后于最新的研究成果。此外，由于边缘设备之间的通信延迟和不稳定性，数据在传输过程中可能出现丢失或不一致的情况，从而影响优化结果的准确性和可靠性。另外，边缘设备通常位于物理不安全的环境中，容易受到攻击和数据泄露的威胁。特别是在处理敏感的打印工艺数据时，需要加强安全措施以保护数据的机密性和完整性。最后，在边缘计算领域缺乏统一的标准和规范，导致不同厂商的设备和系统之间兼容性和互操作性的问题，限制了终端设备的可扩展性和灵活性。
5、因此，本发明公开一种基于边缘计算的3d打印工艺优化终端及方法。
技术实现思路
1、针对现有技术的不足，本发明公开了一种基于边缘计算的3d打印工艺优化终端及方法，本发明解决了现有基于边缘计算的3d打印工艺优化终端中存在的数据处理效率低，算法更新和维护困难、数据一致性难以维护、存在数据安全风险和缺乏统一标准的缺点。
2、为了实现上述技术效果，本发明采用以下技术方案：
3、一种基于边缘计算的3d打印工艺优化终端，包括：
4、数据预处理模块；所述数据预处理模块通过基于机器学习的实时数据处理方法进行数据清洗、降噪与特征提取；
5、数据质量监控模块；所述数据质量监控模块通过基于深度学习的异常检测模型实现对数据质量的实时监测和预警；
6、边缘计算数据自适应模块；所述边缘计算数据自适应模块通过边缘计算数据自适应框架实现任务的分发和并行处理；所述边缘计算数据自适应框架通过基于深度强化学习的动态任务分配算法根据各设备的实时计算资源状态动态分配任务；
7、边缘计算算法更新模块；所述边缘计算算法更新模块通过增量式算法更新系统将算法更新任务分布在边缘节点设备上进行并行更新；
8、数据一致性维护模块；所述数据一致性维护模块通过基于区块链的边缘计算数据一致性协议确保数据可追溯性和一致性；所述基于区块链的边缘计算数据一致性协议通过工作量证明、形式化验证和安全多方计算方法实现边缘计算环境下数据一致性维护；
9、安全加密传输模块；所述安全加密传输模块通过量子通信模型保障数据传输的安全性和隐私性；
10、边缘设备通讯标准制定模块；所述边缘设备通讯标准制定模块通过基于图神经网络的自组织学习算法实现边缘设备间通信协议和数据格式的自动学习和调整；
11、边缘设备监控模块；所述边缘设备监控模块通过实时数据库idb和实时数据流处理引擎ak实现对边缘设备在打印过程的实时监控和数据反馈；
12、所述数据预处理模块的输出端与所述数据质量监控模块的输入端连接；所述数据质量监控模块的输出端与所述边缘计算数据自适应模块的输入端连接；所述边缘计算数据自适应模块的输出端与所述边缘计算算法更新模块的输入端连接；所述边缘计算算法更新模块的输出端与所述数据一致性维护模块的输入端连接；所述数据一致性维护模块的输出端与所述安全加密传输模块和所述边缘设备通讯标准制定模块的输入端连接；所述边缘设备通讯标准制定模块的输出端与所述边缘设备监控模块的输入端连接。
13、作为本发明进一步的技术方案，所述基于机器学习的实时数据处理方法在基于边缘计算的3d打印工艺优化终端中的工作原理步骤为：
14、s1、数据采集，通过传感器和采集设备实时采集数据，并通过无线通信网络将数据传输至边缘计算节点；
15、s2、数据预处理，通过缺失数据填充、滤波器和小波变换方法对原始数据进行预处理；
16、s3、模型训练，通过支持向量机对历史数据和标记好的数据进行训练，并建立数据的模式识别模型；
17、s4、实时监测，部署训练好的机器学习模型到边缘设备上，通过实时数据输入模型的方式判断数据是否符合正常工作模式；
18、s5、异常检测，通过基于统计学的方法对模型输出的结果进行分析；
19、s6、持续学习，通过增量学习方法将新数据反馈回模型中，更新模型参数；
20、s7、自适应调整，通过调节反馈机制实现根据模型输出结果自适应地调整数据处理流程或打印参数，所述调节反馈机制通过pid控制器实现对打印参数的自适应调节。
21、作为本发明进一步的技术方案，所述基于深度学习的异常检测模型包括数据输入模块、特征提取模块、异常检测模块、模型训练与优化模块和告警输出模块；所述数据输入模块通过主成分分析方法将原始数据转换为张量；所述特征提取模块通过卷积神经网络和长短时记忆网络对数据进行特征提取；所述卷积神经网络通过卷积层和池化层提取数据特征；所述卷积层通过卷积操作提取输入数据的空间特征，利用卷积核对数据进行特征映射；所述池化层通过平均池化操作减少特征图的尺寸并保留主要特征；所述长短时记忆网络通过循环连接和门控机制捕获数据中的时间相关性；所述异常检测模块通过变分自编码器和生成对抗网络对异常数据进行检测；所述变分自编码器通过编码器生成潜在空间样本，并利用重参数方法优化模型；所述生成对抗网络通过生成器和判别器网络提高异常检测的准确性和鲁棒性；所述模型训练与优化模块通过链式法则和优化器对异常检测模型进行训练和优化；所述告警输出模块通过实时反馈机制和自然语言处理实现预警信息生成和实时工艺调整。
22、作为本发明进一步的技术方案，所述边缘计算数据自适应框架通过基于深度强化学习的动态任务分配算法根据各设备的实时计算资源状态动态分配任务的方法为：
23、步骤(1)，状态价值函数评估每个状态的长期回报预期值，所述状态价值函数的公式表达式为：
24、
25、在公式(1)中，x为状态m的价值，用于表示在状态m下的长期回报预期值；g为期望操作符，用于计算给定事件的期望值；m为系统所处的具体状态；为折扣因子，用于衡量未来奖励的重要性；yi为时间步i的奖励，用于表示在时间步i执行动作后所获得的奖励；
26、步骤(2)，所述策略网络参数更新公式通过当前策略的期望回报梯度更新策略网络参数，并通过学习率控制参数更新的步长大小；所述策略网络参数更新公式的公式表达式为：
27、
28、在公式(2)中，k为更新后的策略网络参数；v为当前策略网络参数；u为学习率，用于控制参数更新的步长大小；x为策略函数的期望回报；根据执行动作后的效益和成本，所述基于深度强化学习的动态任务分配算法通过奖励函数引导学习过程；所述奖励函数的公式表达式为：
29、
30、在公式(3)中，s为状态b下执行动作r的奖励；h为执行动作b的成本；τ为执行动作b后的效益；
31、步骤(3)，根据所述状态价值函数的评估结果和所述策略网络参数更新，指导任务分配决策。
32、作为本发明进一步的技术方案，所述增量式算法更新系统包括任务分解模块、边缘计算调度模块和更新同步与融合模块；所述任务分解模块包括切分单元和分配单元；所述切分单元通过数据并行策略将整个算法更新任务切分为多个小任务，并分配给各个设备进行并行计算；所述分配单元通过边缘计算任务调度方法将分解后的小任务分配给不同的边缘设备；所述边缘计算调度模块包括计算资源调度单元和网络通信单元；所述计算资源调度单元通过动态资源分配策略根据设备负载情况和任务优先级进行资源调度；所述网络通信单元通过消息队列和远程过程调用rpc实现设备间的实时通讯和数据传输；所述更新同步与融合模块包括模型参数同步单元和结果融合单元；所述模型参数同步单元通过参数服务器和去中心化的同步策略将各设备上的更新参数进行同步和整合；所述结果融合单元通过加权平均、投票和集成学习方法将各设备上的更新结果合并为全局更新。
33、作为本发明进一步的技术方案，所述数据一致性维护模块包括区块链管理子模块、智能合约执行子模块和数据验证与溯源子模块；所述区块链管理子模块包括区块生成单元和区块链同步单元；所述区块生成单元通过工作量证明和零知识证明生成新的区块并添加到区块链中；所述区块链同步单元通过拜占庭容错方法确保区块链的全网同步；所述智能合约执行子模块包括合约编写单元和合约执行单元；所述合约编写单元通过霍尔hoare逻辑进行合约规格的验证；所述合约执行单元通过隔离执行环境和安全多方计算方法确保智能合约的安全执行和数据隐私的保护；所述数据验证与溯源子模块包括数据验证单元和溯源查询单元；所述数据验证单元通过去中心化身份验证和零知识证明验证区块链上的数据；所述溯源查询单元通过去中心化数据索引和查询优化方法实现数据溯源和查询功能。
34、作为本发明进一步的技术方案，所述量子通信模型包括量子密钥分发硬件、量子纠缠源、量子存储器、量子处理器、经典接口和控制电路和物理安全措施辅助模块；所述量子密钥分发(qkd)硬件包括量子光源、量子探测器、光学元件和量子信号处理器，这些组件用于生成、传输和检测量子态，以实现密钥的量子加密；所述量子纠缠源通过离子陷阱生成纠缠的量子比特；所述量子存储器通过离子陷阱存储量子态；量子处理器通过拓扑量子系统执行量子算法；经典接口和控制电路用于将量子态的信息转换为经典信息，以及控制量子硬件的操作；物理安全措施辅助模块包括对量子硬件的隔离、防篡改封装和环境控制，以确保量子态的完整性和安全性。
35、作为本发明进一步的技术方案，所述边缘设备通讯标准制定模块通过图神经网络的自组织学习算法实现边缘设备间通信协议和数据格式的自动学习和调整的方法为：
36、步骤(1)，通过图神经网络消息传递函数更新当前节点的特征表示，所述图神经网络消息传递函数的公式表达式为：
37、
38、在公式(4)中，p为节点c在第a层的特征表示，用于表示节点在当前层的表征信息；q为激活函数，用于引入非线性变换；w为归一化系数，用于调整邻居节点信息的影响程度；f为节点c的邻居节点集合，用于传递信息和更新节点表征；μ为第a层的权重矩阵，用于学习节点间的关联；
39、步骤(2)，所述基于图神经网络的自组织学习算法通过自组织学习误差函数计算模型输出与真实输出之间的误差，所述自组织学习误差函数的公式表达式为：
40、
41、在公式(5)中，r为自组织学习误差函数，用于衡量模型输出与真实输出之间的差距；y为样本数量，用于表示训练数据集中的样本数量；q为真实输出，用于表示样本t的真实标签，β为模型输出，表示模型对样本t的预测输出；
42、步骤(3)，根据误差梯度方向和学习率，所述基于图神经网络的自组织学习算法通过规则更新函数提高对数据的拟合能力和泛化能力；所述规则更新函数的公式表达式为：
43、
44、在公式(6)中，d为模型规则参数，表示在第ε轮迭代中的取值；z为学习率，控制参数更新的步长大小；θ为误差函数关于参数的梯度，用于表示参数更新的方向和大小。
45、步骤(4)，当误差小于设定阈值输出最终的节点特征表示，基于节点特征表示调整边缘设备间通信协议和数据格式。
46、作为本发明进一步的技术方案，一种基于边缘计算的3d打印工艺优化方法，包括以下步骤：
47、步骤一、智能数据预处理：通过基于机器学习的实时数据处理方法对原始数据进行分析和预处理；
48、步骤二、动态数据质量监控：通过基于深度学习的异常检测模型实时监测数据质量；
49、步骤三、增强式边缘计算数据自适应模块：通过基于深度强化学习的动态任务分配算法动态调整任务分配；
50、步骤四、边缘计算数据一致性维护：通过基于区块链的边缘计算数据一致性协议确保数据的完整性和一致性；
51、步骤五、安全数据传输加密：通过应用量子加密模型保障数据传输的安全性和隐私性；
52、步骤六、智能边缘计算算法更新：通过增量式算法更新系统提高算法更新效率和维护便捷性；
53、步骤七、自动化通讯标准制定：通过基于图神经网络的自组织学习算法自动学习和调整边缘设备通信协议和数据格式；
54、步骤八、智能边缘设备监控：通过实时数据库idb和实时数据流处理引擎ak实现对边缘设备状态的智能监控和预测。
55、积极有益效果
56、本发明通过数据预处理模块，利用基于机器学习的实时数据处理方法进行数据清洗、降噪与特征提取，从而提高数据质量并提升整体数据处理效率。其次，数据质量监控模块采用基于深度学习的异常检测模型实现对数据质量的实时监测和预警，进一步确保数据的准确性和可靠性。此外，边缘计算数据自适应模块通过边缘计算框架实现任务的分发和并行处理，有效提高数据处理效率，并通过基于深度强化学习的动态任务分配算法动态分配任务，优化资源利用率。
57、针对算法更新和维护困难的问题，边缘计算算法更新模块采用增量式算法更新系统，将算法更新任务分布在边缘节点设备上进行并行更新，简化了更新流程并提升了系统的灵活性。数据一致性维护模块则利用基于区块链的边缘计算数据一致性协议，通过工作量证明、形式化验证和安全多方计算方法来确保数据的可追溯性和一致性，有效解决了数据一致性难以维护的问题。
58、为保障数据安全，安全加密传输模块采用量子通信模型，确保数据传输的安全性和隐私性，有效防范数据泄露和恶意攻击。最后，边缘设备通讯标准制定模块通过基于图神经网络的自组织学习算法实现边缘设备间通信协议和数据格式的自动学习和调整，推动统一标准的建立和遵循，从而弥补了现有3d打印工艺优化终端中缺乏统一标准的不足之处。
1.一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述终端包括：
2.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述数据预处理模块通过基于机器学习的实时数据处理方法的工作方法为：
3.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述基于深度学习的异常检测模型包括数据输入模块、特征提取模块、异常检测模块、模型训练与优化模块和告警输出模块；所述数据输入模块通过主成分分析方法将原始数据转换为张量；所述特征提取模块通过卷积神经网络和长短时记忆网络对数据进行特征提取；所述卷积神经网络通过卷积层和池化层提取数据特征；所述卷积层通过卷积操作提取输入数据的空间特征，利用卷积核对数据进行特征映射；所述池化层通过平均池化操作减少特征图的尺寸并保留主要特征；所述长短时记忆网络通过循环连接和门控机制捕获数据中的时间相关性；所述异常检测模块通过变分自编码器和生成对抗网络对异常数据进行检测；所述变分自编码器通过编码器生成潜在空间样本，并利用重参数方法优化模型；所述生成对抗网络通过生成器和判别器网络提高异常检测的准确性和鲁棒性；所述模型训练与优化模块通过链式法则和优化器对异常检测模型进行训练和优化；所述告警输出模块通过实时反馈机制和自然语言处理实现预警信息生成和实时工艺调整。
4.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述边缘计算数据自适应框架通过基于深度强化学习的动态任务分配算法根据各设备的实时计算资源状态动态分配任务的方法为：
5.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述增量式算法更新系统包括任务分解模块、边缘计算调度模块和更新同步与融合模块；所述任务分解模块包括切分单元和分配单元；所述切分单元通过数据并行策略将整个算法更新任务切分为多个小任务，并分配给各个设备进行并行计算；所述分配单元通过边缘计算任务调度方法将分解后的小任务分配给不同的边缘设备；所述边缘计算调度模块包括计算资源调度单元和网络通信单元；所述计算资源调度单元通过动态资源分配策略根据设备负载情况和任务优先级进行资源调度；所述网络通信单元通过消息队列和远程过程调用rpc实现设备间的实时通讯和数据传输；所述更新同步与融合模块包括模型参数同步单元和结果融合单元；所述模型参数同步单元通过参数服务器和去中心化的同步策略将各设备上的更新参数进行同步和整合；所述结果融合单元通过加权平均、投票和集成学习方法将各设备上的更新结果合并为全局更新。
6.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述数据一致性维护模块包括区块链管理子模块、智能合约执行子模块和数据验证与溯源子模块；所述区块链管理子模块包括区块生成单元和区块链同步单元；所述区块生成单元通过工作量证明和零知识证明生成新的区块并添加到区块链中；所述区块链同步单元通过拜占庭容错方法确保区块链的全网同步；所述智能合约执行子模块包括合约编写单元和合约执行单元；所述合约编写单元通过霍尔hoare逻辑进行合约规格的验证；所述合约执行单元通过隔离执行环境和安全多方计算方法确保智能合约的安全执行和数据隐私的保护；所述数据验证与溯源子模块包括数据验证单元和溯源查询单元；所述数据验证单元通过去中心化身份验证和零知识证明验证区块链上的数据；所述溯源查询单元通过去中心化数据索引和查询优化方法实现数据溯源和查询功能。
7.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述量子通信模型包括量子密钥分发硬件、量子纠缠源、量子存储器、量子处理器、经典接口和控制电路和物理安全措施辅助模块；所述量子密钥分发(qkd)硬件包括量子光源、量子探测器、光学元件和量子信号处理器，这些组件用于生成、传输和检测量子态，以实现密钥的量子加密；所述量子纠缠源通过离子陷阱生成纠缠的量子比特；所述量子存储器通过离子陷阱存储量子态；量子处理器通过拓扑量子系统执行量子算法；经典接口和控制电路用于将量子态的信息转换为经典信息，以及控制量子硬件的操作；物理安全措施辅助模块包括对量子硬件的隔离、防篡改封装和环境控制，以确保量子态的完整性和安全性。
8.根据权利要求1所述的一种基于边缘计算的3d打印工艺优化终端，其特征在于：所述边缘设备通讯标准制定模块通过图神经网络的自组织学习算法实现边缘设备间通信协议和数据格式的自动学习和调整的方法为：
9.一种基于边缘计算的3d打印工艺优化方法，其特征在于：应用权利要求1-8任意一项所述的一种基于边缘计算的3d打印工艺优化终端，包括以下步骤：
