基于联邦学习的风电机组故障诊断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的风电机组故障诊断方法及系统，涉及风电机组故障诊断技术领域。本发明专利技术首先获取各个风电机组故障诊断参与者的工业数据和初始风电机组故障诊断模型；然后基于联邦学习系统，利用上述工业数据训练初始风电机组故障诊断模型得到参与者各自对应的局部风电机组故障诊断模型；接着基于预先构建的自适应调整聚合区间的聚合机制，聚合所有上述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型；最后基于全局风电机组故障诊断模型获取风电机组故障诊断结果。本发明专利技术打破了数据孤岛现象，可获得精准的风电机组故障诊断结果，且故障诊断效率高，降低了通信成本。通信成本。通信成本。

【技术实现步骤摘要】
基于联邦学习的风电机组故障诊断方法及系统


[0001]本专利技术涉及风电机组故障诊断
，具体涉及一种基于联邦学习的风电机组故障诊断方法及系统。

技术介绍

[0002]风力发电机组通常被部署在风能丰富的海上或偏远地区，恶劣的自然环境和简陋的维护维修条件致使风力发电机组的轴承、齿轮等主要部件容易遭受损坏，如果不能及时发现和进行有效维护，不仅将带来更高昂的维修费用，还会影响了风电机组运行的稳定性，耽误整个风能的生产计划。所以亟需提出一种有效的风电机组故障诊断方法。
[0003]目前，风电机组故障诊断方法分为基于模型的方法和数据驱动的方法。基于模型的方法一般是构建合适的数学或物理模型来模拟系统的动态行为，然后利用状态观测器、卡尔曼滤波理论和奇偶方程等方法完成单元系统或组件的状态评估、预测和故障检测。数据驱动的方法是基于获取的大量数据，然后利用机器学习、深度学习等故障诊断方法得到故障诊断结果。
[0004]然而，数据隐私保护日渐受到人们重视，各个企业之间的数据独立存储，形成数据孤岛，很难获得大量数据，因此深度学习模型很难达到预期的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的风电机组故障诊断方法，其特征在于，所述方法包括：获取各个风电机组故障诊断参与者的工业数据，以及获取初始风电机组故障诊断模型；基于联邦学习系统，各个风电机组故障诊断参与者基于各自的所述工业数据训练所述初始风电机组故障诊断模型以获取各自对应的局部风电机组故障诊断模型；构建自适应调整聚合区间的聚合机制，并基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型；所述聚合机制包括：聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小；基于所述全局风电机组故障诊断模型获取风电机组故障诊断结果。2.如权利要求1所述的方法，其特征在于，在获取所述局部风电机组故障诊断模型之后，在所述局部风电机组故障诊断模型中引入grouplasso正则项对模型进行稀疏化。3.如权利要求1所述的方法，其特征在于，所述聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小包括：τ＝max(int(τ
st
‑
inc
t
),1)其中，τ表示云服务器利用局部风电机组故障诊断模型的参数迭代更新全局风电机组故障诊断模型的时间间隔；t表示局部风电机组故障诊断模型的当前循环次数；τ
st
表示初始设置的聚合间隔；inc表示一个大于1的固定值。4.如权利要求1所述的方法，其特征在于，所述初始风电机组故障诊断模型包括深度学习模型。5.如权利要求3所述的方法，其特征在于，所述基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型包括：云服务器每隔一定时间间隔τ自动将所有所述局部风电机组故障诊断模型中的参数进行聚合，迭代更新所述全局风电机组故障诊断模型的参数。6.一种基于联邦学习的风电机组故障诊断系统，其特征在于，所述系统包括：数据和模型获...

【专利技术属性】
技术研发人员：许启发，吴栋栋，蒋翠侠，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：