[发明专利]一种船载设备的联邦剩余使用寿命预测方法、装置及系统

说明书

本发明提出了一种船载设备的联邦剩余使用寿命预测方法、装置及系统，属于机器学习技术领域，解决了数据样本量少、多用户的样本分散导致的无法实现对船载设备的剩余使用寿命的精确预测的问题，包括：构建基于机器学习的剩余使用寿命预测模型；联邦训练时，技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；对解密得到的梯度进行聚类并筛选，用筛选后的梯度对模型进行参数更新；利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。实现对在运行的船载设备提供实时剩余使用寿命预测、智能预警潜在的设备故障。

技术领域

本发明属于机器学习技术领域，尤其涉及一种船载设备的联邦剩余使用寿命预测方法、装置及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着人工智能技术的发展，越来越多的行业积极推动与智能技术的融合，对传统产业进行智能化升级和改造。剩余使用寿命预测技术是指通过构建机器学习模型，将设备运行数据作为输入对模型进行训练，最终使模型能够预测设备的剩余使用寿命。然而，在船载设备的剩余使用寿命预测技术领域，机器学习技术受到数据量不足的限制。

厂商生产的船载设备被安装在民船、军舰和潜艇上并交给不同的用户使用。然而船舶作为技术密集的超大型机电产品，每年新造船舶的数量是十分有限的；并且由于保密要求和隐私保护，设备厂商无法将不同用户的数据资源收集在一处，进而无法开发有效的基于数据驱动的剩余使用寿命预测模型，不能为用户提供先进的智能预测技术服务。

因此，船载设备运行数据存在单用户保有的样本量少、多用户的样本分散的缺点，形成数据孤岛，无法实现对船载设备的剩余使用寿命的精确预测。

另外，不同用户在厂商的技术支持下对同一类设备进行同态的实时状态监测，得到的状态监测数据应是独立同分布的，但受设备装置安装偏差、电子器件精度差异、环境差异等潜在因素的影响，不同用户持有的数据不会严格服从同一分布，数据分布存在不同程度的偏移，因此联邦训练过程中，如果技术中心服务器将接收的所有梯度进行同样处理，会降低模型性能。

发明内容

为克服上述现有技术的不足，本发明提供了一种船载设备的联邦剩余使用寿命预测方法，能够实现对船载设备的剩余使用寿命的准确预测。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种船载设备的联邦剩余使用寿命预测方法，包括：

利用船载设备的历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型并进行预训练；

利用联邦训练模式对构建的剩余使用寿命预测模型进行联邦训练，训练时，利用多用户的分散数据集进行联合训练；

利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。

作为进一步的技术方案，利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，具体步骤为：

将模型训练参数发送至所有联邦训练参与方；

各参与方对自有船载设备数据进行数据处理，并对模型进行多轮训练并计算损失，模型利用反向传播算法自动计算梯度，再利用保有的公钥对梯度进行算法加密；

所有用户终端向技术中心服务器发送加密梯度；

技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；

对解密得到的梯度进行聚类并筛选解决多参与方的分散数据存在的非独立同分布问题，用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成所有簇的模型更新；