[发明专利]基于联邦学习的TBM滚刀故障诊断模型构建方法

权利要求书

1.一种基于联邦学习的TBM故障诊断模型构建方法，其特征在于包括：

A.在服务器端建立故障诊断模型；

B.在各客户端收集TBM运行的施工数据，并对数据进行去除空推数据预处理、去除噪声预处理、归一化预处理及数据聚合预处理，随后对数据进行预训练；

C.将预处理训练后的数据按照9：1划分训练集和测试集，使用训练集训练模型，使用测试集测试模型的性能并其做出评价，一轮迭代结束后获得模型中间训练信息，并使用本地测试集对迭代后的模型进行评价，并将模型梯度信息、训练数据数目及其评价结果上传给服务器端；

D.服务器端在第一轮迭代时，统计各客户端所消耗的时间，按照比例将其划分为两部分，第一部分为训练速度较快的客户端集，第二部分为训练速度较慢的客户端集，然后分别从第一部分和第二部分客户端上传的梯度信息集中剔除评价结果最差的一组模型梯度信息，使用其他组梯度构建新的全局梯度信息获得新的模型数据；

E.服务器端将新获得的模型数据发送给各客户端，重复上述迭代步骤直到到达预先设计的最大迭代次数，迭代结束，客户端处的模型即为全局最优模型。

2.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法，其特征在于，所述步骤E中在重复迭代时，服务器每次迭代分别剔除第一部分客户端和第二部分客户端中评价结果最差的一组模型梯度信息，使用其他组梯度信息构建新的全局梯度，并在聚合时额外给第二部分客户端的梯度信息分配一个权重，获得新的模型数据。

3.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法，其特征在于，所述步骤C中，模型梯度信息上传服务器前，在梯度信息中根据数值大小分布选择压缩比例A％，将绝对值较大的(100-A)％梯度信息进行上传，A％梯度信息留在本地。

4.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法，其特征在于，所述步骤C中，对于各梯度信息的评价采用交叉熵损失函数，获得分数越大说明估计误差越大，评价就越差，所述交叉熵损失函数如下：其中M为类别的数量，y_ic当样本i的真实类别为c时为1否则为0，p_ic为样本i属于类别c的概率。

5.根据权利要求4所述的基于联邦学习的TBM故障诊断方法，其特征在于，所述步骤D中，全局梯度信息的生成方法如下：每一个客户端均对其一轮迭代后的结果进行评价，服务器端接收全部交叉熵损失函数的计算结果，并舍弃掉计算结果最大的一组梯度信息，采用剩下的n-1组梯度信息采用加权平均的方法构建新的全局梯度：其中，N_i为第i个客户端训练模型所用数据数目，N为全部数据总数目，为第i个客户端上传的梯度信息。

6.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法，其特征在于，所述步骤B中，TBM运行的施工数据包括刀盘扭矩、转速、推进力、推进率。