一种基于联邦迁移学习的装配监测模型训练方法及系统技术方案

本发明专利技术提公开了一种基于联邦迁移学习的装配监测模型训练方法及系统。所述方法包括：创建多任务联邦学习模型库；根据客户任务特征数据分析当前任务场景与现有模型场景相似度，判断该客户任务相对于仓库子节点任务是否为新任务；设计融合权重，选择性加权融合多任务联邦学习模型库中的模型，为客户节点任务生成具有先验知识的初始化模型，下放模型至边缘客户节点；客户节点使用本地数据训练模型，并将模型分享到云服务器；更新多任务联邦学习模型库。本发明专利技术采用边云协同的模型训练方式，降低边缘端对计算和存储资源的要求；充分考虑装配任务的相似性和差异性，根据客户节点任务特征，生成定制化的初始化模型，降低了模型训练成本。成本。成本。

【技术实现步骤摘要】
一种基于联邦迁移学习的装配监测模型训练方法及系统


[0001]本专利技术属于工业机器人监测领域，具体涉及基于机器学习的机器人装配监测方法及系统，适用于智能制造背景下的工业生产场景。

技术介绍

[0002]机器人装配得到普遍应用，特别是柔性制造场景中，具有任务种类多、重构频繁等特点；基于深度学习的监测方法，具有学习能力强、人工成本低等特点，但是训练模型需要的计算量和样本数据量增加了应用难度。
[0003]针对工业设备监测模型训练存在的问题，业界提出了边云协同的训练框架和联邦学习方法。中国专利202011405412.5提供一种基于云边协同的工业设备监测的方法和系统，边缘平台负责实际的设备检测，云平台负责多个边缘平台控制管理，避免将监测数据汇集到云平台，提高数据传输效率和工业数据的安全性，减少网络带宽压力；云平台基于联邦学习技术融合不同边缘平台的故障检测模型，获得共享模型后下发给边缘平台使用，提高故障检测模型的泛化能力,通过边缘平台对设备状态进行检测，提高检测的响应速度，保证检测的实效性。该云边协同的联邦学习方法能够很好的提高故障检测模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦迁移学习的装配监测模型训练方法，其特征在于，所述方法包括：采用统一的神经网络模型分别构建各任务下的装配监测模型，将各装配监测模型上传至云服务器节点中的模型库子节点，形成初始化的多任务联邦学习模型库；定义客户节点的任务特征数据；根据任务特征数据和多任务联邦学习模型库中已有的基础模型，使用相似度计算方法计算客户节点的当前任务与模型库子节点已有基础模型之间的相似度；根据当前客户节点任务与已有基础模型的相似度，对比预设的相似阈值，筛选出高于相似阈值的子节点模型作为融合对象，将其相似度转化为与该客户节点任务的融合权重，使用联邦融合算法进行模型融合，生成客户节点任务定制化的初始化模型，并下放模型用于客户在本地化训练；客户节点使用本地数据对从云服务器节点获得的初始化模型进行微调，获得适用于客户节点当前任务监测的模型，并将该模型上传到云服务器节点更新多任务联邦学习模型库，与其他客户节点共享模型知识；根据已训练的客户节点任务模型与已有基础模型的相似度，对比预设的价值阈值，判断该客户任务相对于模型库子节点任务是否属于新任务，如果是，则回收客户节点本地化训练后的模型作为新节点任务加入多任务联邦学习模型库，否则回收客户节点本地化训练后的模型与已有模型库子节点的模型进行加权融合，泛化更新已有模型库子节点模型。2.根据权利要求1所述的一种基于联邦迁移学习的装配监测模型训练方法，其特征在于，所述神经网络模型包括卷积神经网络和全连接层。3.根据权利要求1所述的一种基于联邦迁移学习的装配监测模型训练方法，其特征在于，所述客户节点的任务特征数据，是对客户节点产生的正常运行状态下的原始时序数据进行预处理后以张量形式保存的数据。4.根据权利要求1所述的一种基于联邦迁移学习的装配监测模型训练方法，其特征在于，所述相似度的计算方法为，从多任务联邦学习模型库中调取所有模型库子节点的基础模型，使用客户节点任务特征数据计算出各模型库子节点的模型的最大分类概率，作为该客户节点与多任务联邦学习模型库中各子节点的基础模型的相似度。5.根据权利要求1所述的一种基于联邦迁移学习的装配监测模型训练方法，其特征在于，根据对应相似度大小在相似度之和之中所占比例计算融合权重得到所述融合权重，包括：筛选出相似度高于相似阈值s
thre
的模型库子节点，并重新编号为1到m，并根据其与客户节点的相似度的大小为...

【专利技术属性】
技术研发人员：谢龙汉，王闯，袁瑜容，肖鹏，郝颖，林泽，苏楚鹏，
申请(专利权)人：中山市华南理工大学现代产业技术研究院，
类型：发明
国别省市：