基于联邦学习框架的工业机泵类故障预测方法及系统技术方案

本发明专利技术提供一种基于联邦学习框架的工业机泵类故障预测方法及系统，包括：获取各个参考设备各自的故障样本数据集；确定各个所述故障样本数据集各自对应的局部故障预测模型；根据各个所述局部故障预测模型，确定目标故障预测模型；根据所述目标故障预测模型，预测目标设备的故障信息；其中，所述目标设备和所述参考设备的相似度满足预测条件。本发明专利技术将机泵类设备不同维度的运行特征数据联合起来，并结合每个分区的局部预测模型，得到一个全局故障预测模型。通过多个局部预测模型结果横向对比，在回归率，准确率和鲁棒性等方面，均具有良好的召回率和鲁棒性。且计算效率更高，综合起来具备更优异的表现和适应性。具备更优异的表现和适应性。具备更优异的表现和适应性。

【技术实现步骤摘要】
基于联邦学习框架的工业机泵类故障预测方法及系统


[0001]本专利技术属于故障预测
，具体涉及一种基于联邦学习框架的工业机泵类故障预测方法及系统。

技术介绍

[0002]随着工业大数据行业的蓬勃发展，相关的工业设备越来越多。因此，需要对工业设备进行维护。目前，对工业设备进行检修与维护的方法主要为：通过人工设置检测时间，定期为工业设备进行检查或维护，此种方法具有以下问题：(1)极大浪费人力资源；(2)人工设置检测，具有检测不准确和不全面的问题。所以，如何高效率准确的对工业设备进行故障预测，已经成为保障工业设备正常运行的重要技术手段。

技术实现思路

[0003]针对现有技术存在的缺陷，本专利技术提供一种基于联邦学习框架的工业机泵类故障预测方法及系统，可有效解决上述问题。
[0004]本专利技术采用的技术方案如下：
[0005]本专利技术提供一种基于联邦学习框架的工业机泵类故障预测方法，包括以下步骤：
[0006]步骤S1，获取各个参考设备各自的故障样本数据集；
[0007]步骤S2，确定各个所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习框架的工业机泵类故障预测方法，其特征在于，包括以下步骤：步骤S1，获取各个参考设备各自的故障样本数据集；步骤S2，确定各个所述故障样本数据集各自对应的局部故障预测模型；步骤S3，根据各个所述局部故障预测模型，确定目标故障预测模型；步骤S4，根据所述目标故障预测模型，预测目标设备的故障信息；其中，所述目标设备和所述参考设备的相似度满足预测条件。2.根据权利要求1所述的基于联邦学习框架的工业机泵类故障预测方法，其特征在于，步骤1具体为：步骤S101，获取参考设备的原始故障样本数据集；其中，所述原始故障样本数据集包括多个原始故障样本；每个所述原始故障样本，包括采样时间点对应的多维度的原始特征的原始特征数据以及样本标签；所述样本标签为故障类型或故障概率；步骤S102，基于符号回归算法，对所述原始故障样本数据集包括的各个原始特征进行特征选取，得到多个目标特征，形成目标特征集；步骤S103，根据所述目标特征集，对各个所述原始故障样本数据集进行筛选，得到故障样本数据集。3.根据权利要求1所述的基于联邦学习框架的工业机泵类故障预测方法，其特征在于，步骤S2具体为：步骤S201，服务器确定局部故障预测模型的模型结构，并确定模型结构的初始模型参数值，得到初始的局部故障预测模型；步骤S202，物联网包括多个节点，选择若干个节点作为参与节点集；对于每个参与节点，从所述服务器下载得到初始的局部故障预测模型；步骤S203，所述参与节点，采用本地的故障样本数据集，对所述初始的局部故障预测模型进行模型训练，得到训练完成的局部故障预测模型，从而得到预测模型更新参数值，并将所述预测模型更新参数值上传给所述服务器。4.根据权利要求3所述的基于联邦学习框架的工业机泵类故障预测方法，其特征在于，步骤S3具体为：步骤S301，服务器接收各个参与节点上传的预测模型更新参数值，并对各个参与节点上传的预测模型更新参数值进行融合，得到初始的目标故障预测模型；步骤S302，服务器判断是否满足迭代停止条件，如果满足，则步骤S301得到的初始的目标故障预测模型，即为最终的目标故障预测模型；如果不满足，则返回步骤S203，使各个参与节点...

【专利技术属性】
技术研发人员：周琨，
申请(专利权)人：联泓山东化学有限公司，
类型：发明
国别省市：