基于联邦学习的TBM滚刀故障诊断模型构建方法技术

本发明专利技术公开一种基于联邦学习的TBM故障诊断诊断模型构建方法，建立了位于中心服务器的故障诊断模型，以及位于各客户的客户端，训练模型时客户端接收来自服务器的故障诊断模型，并用本地数据对模型进行训练，将梯度信息反馈回服务器，服务器端接收梯度信息并选择出一组使模型更具有泛用性的梯度信息来更新模型，完成一次模型的更新迭代，重复迭代过程以最终获得最优模型。本发明专利技术在保证不打破隐私协议的基础上，解决了各TBM运维组织故障数据少、故障诊断难的问题，打破了数据孤岛，具有可靠性高、实用性强的特点。用性强的特点。用性强的特点。

【技术实现步骤摘要】
基于联邦学习的TBM滚刀故障诊断模型构建方法


[0001]本专利技术涉及TBM故障诊断领域，尤其涉及一种基于联邦学习的TBM故障诊断模型构建方法。

技术介绍

[0002]TBM是隧道挖掘的关键设备，通过刀盘转动挤压岩石使其破裂来实现掘进，其中刀盘上安装有众多滚刀，刀盘旋转时滚刀在岩壁上按照不同半径的同心圆轨迹运动，不同滚刀的受力状况不同，失效形式和时间也不一样，在复杂的地下挖掘环境中又难以安装大量传感器对滚刀进行直接检测，因此对滚刀的故障检测是一个复杂而困难的过程。
[0003]常见的故障检测方法是在刀盘正面安装一个压力传感器，根据压力传感器得到的结果估计滚刀的磨损程度以及是否可能出现故障，压力传感器在施工过程中容易被损坏，故障的诊断需要依靠经验丰富的专业人员靠经验进行判断，且对于故障类型仅能进行简单的估计，这种方法具有可靠性低、稳定性差的缺点，故仅依靠传感器进行TBM故障的检测是不可靠的。同时，TBM施工过程中会产生大量施工数据，施工数据中包含众多关键信息，这些隐藏的信息将对TBM的故障检测具有指导作用，如不加以利用将导致信息的浪费，本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张千里，孙业飞，王泓晖，刘贵杰，田晓洁，冷鼎鑫，马鹏磊，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：