[发明专利]基于联合学习的检测设备的方法、装置、设备及介质

权利要求书

1.一种基于联合学习的检测设备的方法，其特征在于，包括：

基于联合学习架构，采集能源设备的参数数据；

根据所述参数数据，确定所述能源设备中轴承的频率数据，并确定所述频率数据对应的频率特征；

根据所述频率特征，得到不同频率对应的能量特征；

使用所述能量特征训练生成剩余使用寿命模型；

将所述剩余使用寿命模型下发至各参与方中，以使所述参与方通过联合学习的形式对所述剩余使用寿命模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述确定所述频率数据对应的频率特征，具体包括：

确定轴承旋转轴的基础频率；

根据所述基础频率，以及所述参数数据，得到不同频率分别对应的多个频率特征；

所述根据所述频率特征，得到不同频率对应的能量特征，具体包括：

对所述多个频率特征分别进行变换，得到多个频谱数据；

通过所述多个频谱数据，确定所述不同频率对应的多个振幅数据；

对所述多个振幅数据进行归一化，得到不同频率对应的多个第一能量特征。

3.根据权利要求2所述的方法，其特征在于，所述使用所述能量特征训练生成剩余使用寿命模型，具体包括：

对所述多个第一能量特征进行平滑处理，得到多个第二能量特征；

将所述多个第二能量特征进行降维处理，并使用降维后的所述多个第二能量特征训练生成剩余使用寿命模型。

4.根据权利要求3所述的方法，其特征在于，所述对所述多个第一能量特征进行平滑处理，得到多个第二能量特征，具体包括：

通过指数平滑法，对每组第一能量特征进行噪音数据；

选择预设的平滑参数，将数值与时间对应，形成新的时间序列。

5.根据权利要求4所述的方法，其特征在于，所述将所述多个第二能量特征进行降维处理，并使用降维后的所述多个第二能量特征训练生成剩余使用寿命模型，具体包括：

将所述时间序列中的时间对齐，形成数据矩阵；

对所述数据矩阵进行降维处理，形成数据向量；

将该数据向量作为输入，以小波神经网络模型的架构，训练得到剩余使用寿命模型，所述剩余使用寿命模型的输出为健康指数。

6.根据权利要求2所述的方法，其特征在于，所述根据所述基础频率，以及所述参数数据，得到不同频率分别对应的多个频率特征，具体包括：

将所述基础频率作为标准的乘子，根据不同的参数数据，得到不同频率分别对应的多个频率特征，所述多个频率特征包括以下中的至少一种：球通频率外圈、球通频率内圈、球故障频率、基本训练频率中的至少一种。

7.根据权利要求1所述的方法，其特征在于，所述采集并选择能源设备的参数数据之后，所述方法还包括：

根据预设的阈值，对所述参数数据进行异常判断；

对于静能源设备，若存在异常值，则通过回归的方式，对所述异常值进行插补或去除。

8.一种基于联合学习的检测设备的装置，其特征在于，包括：

采集模块，基于联合学习架构，采集能源设备的参数数据；

频率特征确定模块，根据所述参数数据，确定所述能源设备中轴承的频率数据，并确定所述频率数据对应的频率特征；

能量特征确定模块，根据所述频率特征，得到不同频率对应的能量特征；

训练模块，使用所述能量特征训练生成剩余使用寿命模型；

联合学习模块，将所述剩余使用寿命模型下发至各参与方中，以使所述参与方通过联合学习的形式对所述剩余使用寿命模型进行训练。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。