[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

说明书

本发明涉及一种基于联邦学习的高低压电机数据处理方法、系统和装置。方法包括：获取训练样本；训练模型类型确定后，启动内置于联邦计算节点装置的训练算法，提取特征独立训练；训练结果加密上传到云服务器上进行汇总计算，云服务器同态加密计算出平均梯度和各自的损失，并仍然以加密方式返回给各计算节点装置，解密后更新各装置模型，多次重复直至模型稳定。预测电机运行状态时根据最优模型，对传输到装置的实时波形数据进行预测对应的电机故障状态。本发明采用联邦学习的框架，能够较好地保护各个企业的隐私数据，同时提升模型训练的准确性。

技术领域

本发明涉及马达保护器的物联网应用领域，特别是一种基于联邦学习的高低压电动机数据处理方法、系统及装置。

背景技术

马达保护器的作用是对电机进行全面保护和控制。目前，马达保护器通常采集三相电流、三相电压以及电能质量等电参量数据，在电机出现过流、欠流、断相、堵转、短路、过压、欠压、漏电、三相不平衡、过热、接地、轴承磨损、定转子偏心时、绕组老化等问题时予以报警或切断电动机电源执行保护动作。

制造业等工业企业存在着大量的电动机，随着智能产业的升级，电动机的保护成为了企业的硬性需求。马达保护器往往通过采集各种电动机设备（包括低压电动机，各类风机、泵等，高压电动机）的三相电流和三相电压分析电机的运行状态。因此，理论上讲，企业能够通过分析马达保护器采集的各种数据对电机的运行状态进行分析。而且企业对电动机的故障保护要求日益强化，如何将不同的高低压电动机的数据进行有效利用，预测和分析电动机的实时故障状态成为了急需解决的问题。

但是，由于同一企业的数据样本较少，所能够提取的数据特征有限，而依靠有限的数据分析出的电机运行状态信息是不可靠的。因此，可以通过云服务器汇总各企业数据进行数据训练，然而这又导致两方面问题，一是由于原始数据量大，导致网络带宽压力大。二是云服务器汇聚各企业数据会导致企业的商业或技术信息泄露。随着国家和地方企业对于数据隐私的保护意识日益加强，数据不出本地进行分析成为了未来工业领域数据分析的趋势，因此，汇聚各企业数据存在很大的障碍。

发明内容

本发明的目的是提供基于联邦学习的高低压电动机数据处理方法、系统及装置。

本发明的方案包括：

一种基于联邦学习的高低压电动机数据处理方法，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。

优选的，所述训练样本通过标定获取。

优选的，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。