基于纵向联合学习的设备预测维护模型建立方法和设备技术

本发明专利技术适用于人工智能技术领域，提供了基于纵向联合学习的设备预测维护模型建立方法和设备，该方法包括：根据多个设备的样本数据分别为数据节点，建立纵向联合学习框架；根据纵向联合学习框架，进行第一次建模得到预测模型；利用该预测模型对各个参与方的样本数据进行预测，将预测的预测值标注对应的样本数据；根据纵向联合学习框架，对各数据节点中所有样本数据进行第二次建模，得到目标模型，该目标模型的损失函数包括该预测值标注的样本数据的损失函数和该预测模型的损失函数。本发明专利技术通过在纵向联合学习基础上进行二次建模来扩大数据信息，使得一些建模无效的场景可以通过这种上述方法来建立目标模型。种上述方法来建立目标模型。种上述方法来建立目标模型。

【技术实现步骤摘要】
基于纵向联合学习的设备预测维护模型建立方法和设备


[0001]本专利技术属于人工智能
，尤其涉及基于纵向联合学习的设备预测维护模型建立方法和设备。

技术介绍

[0002]随着人工智能的发展，在各个领域开始利用人工智能来对生产加工进行升级。例如，在能源系统中，针对设备故障检测，传统方法都是依靠实际技术人员实地检测去确认的。而如今在人工智能技术的帮助下，企业开始使用设备的运行数据来建立能够对设备故障进行预测的模型。
[0003]在实际模型的建立过程中，技术人员发现，系统中设备所拥有的数据量中符合建模要求的数据特别少，比如有标签的样本量很小，从而无法建立有效的预测模型。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了基于纵向联合学习的设备预测维护模型建立方法和设备，以解决在设备拥有的数据无法建立有效的预测模型来对设备进行故障预测性检测的问题。
[0005]本专利技术实施例的第一方面，提供了一种基于纵向联合学习的设备预测维护模型建立方法，其包括：根据多个设备的样本数据分别为数据节点，建立纵向联合学习框架；根据所述纵向联合学习框架，对各数据节点中符合对齐的样本数据进行第一次建模，得到预测模型；利用所述预测模型分别对所述纵向联合学习框架下各个数据节点中不含标注的样本数据进行预测，并将所述预测得到的预测值标注对应进行预测的样本数据；根据所述纵向联合学习框架，对各数据节点中符合对齐的样本数据和所述预测值标注的样本数据进行第二次建模，得到目标模型，其中，所述目标模型的损失函数包括所述预测值标注的样本数据的损失函数和所述预测模型的损失函数；根据所述纵向联合学习框架，进行目标模型训练，得到用于各个数据节点对应设备进行预测维护的目标模型。
[0006]在一些可选方案中，所述根据多个设备的样本数据分别为数据节点，建立纵向联合学习框架，包括：确定纵向联合学习的联合方；确定各个设备所拥有的样本数据为数据节点，并将各所述数据节点作为纵向联合学习参与方；根据所述参与方和联合方，建立纵向联合学习框架。
[0007]在一些可选方案中，所述利用所述预测模型分别对所述纵向联合学习框架下各个数据节点中不含标注的样本数据进行预测，并将所述预测得到的预测值标注对应进行预测的样本数据，包括：利用所述预测模型分别对所述纵向联合学习框架下各个数据节点的所有样本数据进行预测，得到对应的预测值；对所述预测值按预设条件进行排序，选取所述排序靠前的部分预测值和所述排序靠后的部分预测值作为对应样本数据进行标注；确定所述标注的样本数据为进行二次建模的样本数据。
[0008]在一些可选方案中，所述选取所述排序靠前的部分预测值和所述排序靠后的部分
预测值作为对应样本数据进行标注，包括：选取所述排序在前5
‑
15％和排序在后5
‑
10％的预测值对对应的样本数据进行标注。
[0009]在一些可选方案中，所述选取所述排序靠前的部分预测值和所述排序靠后的部分预测值作为对应样本数据进行标注，包括：选取以预测结果的10％阈值点和90％阈值点为切断点对两头的样本数据的预测值，并利用所述预测值对所述样本数据进行标注。
[0010]在一些可选方案中，所述目标模型的损失函数还包括：所述预测值标注的样本数据的损失函数加乘一个权重系数和所述预测模型的损失函数。
[0011]在一些可选方案中，所述设备包括相同类型的设备或相同型号的设备。
[0012]在一些可选方案中，所述设备包括相同类型的锅炉或相同型号的锅炉。
[0013]在一些可选方案中，所述多个不同设备所拥有的样本数据之间包括重叠的样本数据。
[0014]本专利技术实施例的第二方面，提供了一种终端设备，至少包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如第一方面中任一项所述方法的步骤。
[0015]本专利技术实施例与现有技术相比存在的有益效果是：本专利技术在纵向联合学习的基础上通过两次建模来引入在第一次建模中未被利用的样本数据，以此来扩大用于建模的数据信息，并同时对第二建立的模型的损失函数进行修改，从而实现了一些建模无效(例如，有标签的样本量过小无法建模)的场景能够建立高质量模型的有益效果。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0017]图1是可以应用本专利技术基于纵向联合学习的设备预测维护模型建立方法和装置的一些实施例的纵向联合学习框架；
[0018]图2是本专利技术在实施例一提供的基于纵向联合学习的设备预测维护模型建立方法的实现流程；
[0019]图3是本专利技术在实施例二中提供的基于横向联合学习的设备故障预测模型构建装置的结构示意图。
具体实施方式
[0020]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0021]为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。
[0022]图1为可以应用本专利技术基于纵向联合学习的设备预测维护模型建立方法和装置的一些实施例的纵向联合学习框架，如图1所示，该联合学习框架具体包括：服务器101和多个
客户端102、103，所述多个客户端102、103分别与服务器通信连接，客户端102和客户端103之间进行加密通信连接。其中，所述客户端102、103，也称为数据节点和参与方等，所述服务器也称为联合方。每个客户端102、103拥有自己的数据集，所述数据集包括用于模型训练的样本数据，其中，客户端102的样本数据与客户端103的样本数据之间存在样本数据的重叠，但样本数据中特征维度重叠较少或者不存在重叠。此时，通过以上服务器和客户端构成的纵向联合学习框架来实现数据联合。在联合学习框架下，参与联合学习的客户端的数量为K个，则有K≥2，且为正整数。
[0023]其中，在纵向联合学习框架下，所述服务器和客户端将根据确定的联合学习任务进行模型训练。示例性的，联合学习的过程主要包括：由服务器生成公钥分发给各个客户端；客户端分别利用自身拥有的数据对模型进行训练后，根据公钥将模型参数加密后发送给对方客户端；客户端利用对方客户端发送的参数进行模型更新后再将更新后的模型参数上传给服务器进行解密，并将解密后的参数数据返回给对应的客户端；客户端利用服务器返回的解密模型参数进行模型更新，如此循环迭代，直至模型收敛为止。
[0024]具体的，所述联合学习任务是对联合学习框架中服务器和客户端进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于纵向联合学习的设备预测维护模型建立方法，其特征在于，包括：根据多个设备的样本数据分别为数据节点，建立纵向联合学习框架；根据所述纵向联合学习框架，对各数据节点中符合对齐的样本数据进行第一次建模，得到预测模型；利用所述预测模型分别对所述纵向联合学习框架下各个数据节点中不含标注的样本数据进行预测，并将所述预测得到的预测值标注对应进行预测的样本数据；根据所述纵向联合学习框架，对各数据节点中符合对齐的样本数据和所述预测值标注的样本数据进行第二次建模，得到目标模型，其中，所述目标模型的损失函数包括所述预测值标注的样本数据的损失函数和所述预测模型的损失函数；根据所述纵向联合学习框架，进行目标模型训练，得到用于各个数据节点对应设备进行预测维护的目标模型。2.根据权利要求1所述的基于纵向联合学习的设备预测维护模型建立方法，其特征在于，所述根据多个设备的样本数据分别为数据节点，建立纵向联合学习框架，包括：确定纵向联合学习的联合方；确定各个设备所拥有的样本数据为数据节点，并将各所述数据节点作为纵向联合学习参与方；根据所述参与方和联合方，建立纵向联合学习框架。3.根据权利要求1或2所述的基于纵向联合学习的设备预测维护模型建立方法，其特征在于，所述利用所述预测模型分别对所述纵向联合学习框架下各个数据节点中不含标注的样本数据进行预测，并将所述预测得到的预测值标注对应进行预测的样本数据，包括：利用所述预测模型分别对所述纵向联合学习框架下各个数据节点的所有样本数据进行预测，得到对应的预测值；对所述预测值按预设条件进行排序，选取所述排序靠前的部分预测值和所述排序靠后的部分预测值作为对应样本数据进行标注；确定所述标注的样本数据为进...

【专利技术属性】
技术研发人员：何博睿，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：