[发明专利]基于联邦学习的高低压电动机数据处理方法、系统及装置

权利要求书

1.一种基于联邦学习的高低压电动机数据处理方法，其特征在于：步骤如下：

获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

2.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练样本通过标定获取。

3.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练样本标定方法包括：操作人员发起人工巡检命令，联邦计算节点装置记录所述人工训练命令发出时刻的电压电流数据波形，同时将所述电压电流数据波形的有效值传输到企业中心服务器上进行备份，操作人员根据当时的电机状态，给出状态评估结果，同时该评估结果通过企业中心服务器发送给联邦计算节点装置，与所述电压电流数据波形组成一条有效的训练数据；中心服务器上的那条数据为索引数据。

4.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述原始数据特征包括标准差、方差、峰度，峭度以及RMS均方根值；同类电机的原始数据特征的种类相同。

5.根据权利要求4所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练结果包括梯度。

6.根据权利要求5所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述汇总计算的结果包括平均梯度。

7.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述模型训练指令还包括加密公钥；所述训练结果根据所述加密公钥进行加密上传。

8.根据权利要求6所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述预定标准包括：评价指标损失函数的损失值收敛或者达到预先设置的损失阈值。

9.一种基于联邦学习的高低压电动机数据处理系统，其特征在于：包括云服务器，各个企业的企业网络，企业网络中包括至少一个企业中心服务器和若干个联邦计算节点装置；

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；

训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

10.一种联邦计算节点装置，包括处理器和存储器，其特征在于：处理执行计算机程序以实现如下方法：

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

联邦计算节点装置根据云服务器发送的模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

联邦计算节点装置根据云服务器汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。