[发明专利]一种基于联邦学习的多设备状态监测方法

说明书

本发明提出了一种基于联邦学习的多设备状态监测方法，包括如下步骤：多节点设备数据采集；数据预处理清理异常值并标准化；子节点模型训练；子模型上传；中心节点模型融合；中心节点模型下发子节点；根据训练模型进行设备状态预测。当有新的子节点加入联邦学习网络中时，为了减少重新训练的时间消耗，由中心节点下发当前模型至该子节点加入训练。本发明提出的基于联邦学习的多设备状态监测方法，引入联邦学习的机制提高多节点模型训练的准确率和泛化性，同时有效保证训练数据安全。

技术领域

本发明涉及工业互联网、物联网、联邦学习、设备状态监测，具体涉及到一种基于联邦学习的多设备状态监测方法。

背景技术

设备运行状态监测指的是对运行设备，运用各种手段和人的五官感觉进行数据和信号采集，分析判定设备劣化趋势和故障部位、原因并预测变化发展。随着人工智能技术的迅猛发展，将人工神经网络模型应用于设备故障监测具有很大优势，它能够在海量数据中挖掘有价值的信息，根据训练数据的故障标签对新数据作预测，判断设备运行状态。联邦学习方法能够在具有同种特征的设备之间展开模型的联合训练，扩充了数据规模，并能够增强模型在设备之间迁移应用的泛化能力。近年来最接近本发明的技术有：

(1)、LSTM模型：LSTM全称为长短期记忆人工神经网络(Long Short-TermMemory)，是为解决循环神经网络中存在的长期依赖问题而提出的。LSTM中的遗忘门可以将价值较少的信息丢弃，因此能够搭建超大规模网络或记忆超长时间跨度信息。但LSTM的计算代价大，在工业的边缘设备中部署困难，同时其对时间特征以外的数据特征提取能力有限，更加剧了计算开销的上升。

近年来，工业4.0旨在提升制造业的智能化水平，建立具有全方位、全天候、全流程管控能力的智慧工厂，在安全生产的同时尽可能的提高生产效率。本方法采用联邦学习的框架，结合卷积神经网络模型、长短期记忆人工神经网络模型、图卷积神经网络模型的训练，实现准确预测工厂中多台设备的运行状态。该方法通过准确判断设备工况，从而指导设备的生产调节、运行维护流程，通过联邦学习对模型的联合训练提高多节点设备的监测准确率，提高泛化能力，多种模型联合应用，以应对工厂不同类设备的复杂状况。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于联邦学习的多设备状态监测方法，通过联邦学习框架对同类型设备联合训练，子节点获取的数据经预处理后在各节点训练子模型，并上传到中心节点；中心节点对子节点的模型进行筛选融合，得到中心模型并下发到各子节点继续训练；子节点使用训练后的模型对各子节点对应设备的运行状态进行监测。

本发明的技术方案为：

步骤(1)：子节点的数据通过数据预处理模块进行清洗，剔除空数据、无效数据和重复数据；

步骤(2)：预处理完毕的数据在各自子节点进行模型训练；

步骤(3)：将步骤(2)训练得到的模型上传到中心节点，中心节点根据子节点模型的效果进行筛选并融合；

步骤(4)：中心节点融合的模型回传到各子节点，子节点根据中心节点模型继续训练；

步骤(5)：子节点使用训练的模型对设备运行状态进行监测，分析故障情况。

本发明的有益效果：

(1)使用联邦学习方法，扩充模型训练的数据量，提高监测准确度，增强模型在设备之间的泛化能力；

(2)使用的联邦学习方法支持多种人工神经网络，灵活性强，有效应对复杂的工业数据；

(3)采用同态加密方法保证模型传递过程的数据隐私安全。

附图说明