[发明专利]一种基于图神经网络联邦学习的工业设备故障检测方法

权利要求书

1.一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，包括如下步骤：

(1)客户端采集工业设备故障数据，构建带有标签的工业设备图数据集；

(2)建立并初始化所述客户端图神经网络模型；

(3)根据所述工业设备图数据集和公共数据集训练所述图神经网络模型；

(4)所述客户端将训练好的所述图神经网络模型参数上传给中央服务器；

(5)所述中央服务器将得到的所有所述客户端图神经网络模型参数进行计算，得到更新的所述图神经网络模型参数，并下发给所有所述客户端；

(6)所述客户端根据接收到的所述图神经网络模型参数，更新所述客户端图神经网络模型；

(7)循环步骤3至6，直至所述图神经网络模型的损失值小于阈值或达到指定训练次数。

2.根据权利要求1所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，在步骤1中所述构建带有标签的工业设备图数据集为：对所述汽车设故障数据，挑出含有不合格工艺流程的数据，并使用图结构进行表示。

3.根据权利要求2所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述用图结构进行表示包括：

通过无监督聚类将所述汽车设备故障数据的csv文档集中记录的数据转化成非结构化的Graph图结构数据；

所述图结构数据定义为在所述联邦学习架构中每个所述客户端有数据集

其中V^(k)、ε^(k)、Y^(k)分别表示节点集、边的集合、标签的集合。

4.根据权利1所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述步骤3中模型训练方法包括：

(3.1)将所述工业设备图数据集和公共数据集的数据采用图神经网络嵌入表示；

(3.2)计算所述图神经网络的交叉熵损失函数；

(3.3)按照最小化所述损失函数原则，训练所述图神经网络模型，获得更新的所述客户端本地网络模型参数。

5.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述图神经网络嵌入表示包括：

将所述数据集数据输入networkx工具构建，然后使用DGL工具实现嵌入式表示。

6.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述步骤5中所述中央服务器将得到的所有所述客户端图神经网络模型进行计算为：针对权重值使用FedAvg算法进行聚合。

7.一种基于图神经网络联邦学习的工业设备故障检测装置，包括：

部署模块：用于部署中央服务器，将各个客户端点连接所述中央服务器，建立并初始化所述客户端图神经网络模型；

训练模块：用于所述客户端根据工业设备图数据集和公共数据集训练所述图神经网络模型，获取模型参数；

聚合模块：用于所述中央服务器获得所有所述客户端的模型参数进行参数聚合，更新所述客户端图神经网络模型；

其中，重复执行训练模块和聚合模块，到所述图神经网络模型的损失值小于阈值或达到指定训练次数。

8.一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，其特征在于：所述处理器执行计算机程序时实现如权利要求1-6中任一项所述的基于图神经网络联邦学习的工业设备故障检测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。