[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

说明书

本发明公开了一种基于图神经网络联邦学习的工业设备故障检测方法，属于工业设备故障检测领域。该方法包括：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；建立并初始化客户端图神经网络模型；根据工业设备图数据集和公共数据集训练图神经网络模型；并将训练好的模型参数上传中央服务器，中央服务器将得到的所有客户端模型参数进行聚合，得到更新的模型参数，并下发给所有客户端；客户端更新本地模型，迭代训练直至网络模型的损失值小于阈值或达到指定训练次数。本发明依据图结构数据，基于图神经网络在联邦学习架构下进行训练，并在联邦学习架构下进行GNN聚合。使得在本地数据的私密性得以保证的前提下，本地模型间互相受益。

技术领域

本发明涉及工业设备故障检测领域，特别涉及一种基于图神经网络联邦学习的工业设备故障检测方法。

背景技术

随着智能制造工业大数据分析技术的进展，越来越多的机器学习算法被应用到了设备故障预测性维护领域，然而在实际应用中却缺少数据，如汽车制造等高端智能设备故障的数据等。此外，在实际应用中还面临数据与知识共享的隐私侵犯及信息泄露的问题，如何满足工业应用在非受控环境下的数据与知识使用合法和安全保障要求，实现联网数据的隐私防护和安全共享，攻克工业智能终端及联网的多级安全防护成为当前研究的一个热点。

发明内容

针对上述问题，本发明依据图结构数据，基于图神经网络在联邦学习架构下进行训练，并在联邦学习架构设置下进行GNN聚合。使得在本地数据的私密性得以保证的前提下，本地模型间互相受益。

为了达到上述目的，本发明提供了一种基于图神经网络联邦学习的工业设备故障检测方法。该方法包括：

(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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。