本发明专利技术涉及故障诊断模型技术领域，公开了一种基于联合学习的船舶故障诊断模型系统，智能船舶发送船舶设备数据集；云服务器将全局模型和模型聚合间隔发送至船务代理，并接收局部模型及局部模型损失函数与全局模型聚合；船务代理接收船舶设备数据集及全局模型和模型聚合间隔，使用本地样本数据集训练局部模型，并发送至云服务器，对测试数据集进行故障诊断分类得到故障诊断结果。本发明专利技术还公开了一种基于联合学习的船舶故障诊断模型系统的训练方法。本发明专利技术基于联合学习的船舶故障诊断模型系统及其训练方法，在局部数据加密共享的情况下协同训练模型，保护不同船运公司的各智能船舶设备数据信息，且消耗的计算、通信资源少。通信资源少。通信资源少。
【技术实现步骤摘要】
基于联合学习的船舶故障诊断模型系统及其训练方法
[0001]本专利技术涉及故障诊断模型
，具体涉及一种基于联合学习的船舶故障诊断模型系统及其训练方法。
技术介绍
[0002]近年来，随着物联网的发展，各种基于深度学习的故障诊断模型被提出应用于实际工业场景，基于深度学习的故障诊断模型已经取得了很大的成功；对于海洋船舶领域的故障诊断需求和船舶制造公司而言，船舶设备通常由同一家企业提供，并且通常有自己的监督数据。因此，通过集中不同船舶的同一设备的数据，以训练出一种基于深度学习的、优越的故障诊断模型的方法，拥有广阔的市场前景。
[0003]但传统的集中学习方法在实际应用场景中，需要将大量的数据上传至云计算平台，不仅因日以增长的数据量需求压缩了可应用空间，还因可能泄露数据隐私的问题而受到限制。
[0004]联合学习作为一种分布式学习方法，拥有多个具备局部模型训练功能的边缘节点，可以将模型训练的存储和计算压力分摊出去，减轻云服务器的工作负荷。另外，假定云服务器是诚实但好奇的，是潜在的数据泄露风险来源，而边缘节点上传的是训练后的局部模型而不是原始数据集，避免了设备数据的泄露风险，从而一定程度保护了用户数据的隐私。但同时，联合学习共享的模型参数仍带有一定的隐私安全隐患，例如，多层前馈网络中，基于反向传播算法得出的模型梯度，再通过正向传播可以得出模型的输出值与标签值。可以认为，联合学习不仅要在尽可能节省通信和计算资源的情况下，尽可能快的训练模型并收敛，还要保证收集的模型参数不会泄露用户的数据隐私信息。
[0005]综上所述，本领域中需要提出一种训练系统和方法，既可以获得大规模的优质故障诊断数据样本，又能确保在训练过程中数据不会泄露用户的敏感信息。
技术实现思路
[0006]本专利技术的目的就是针对上述技术的不足，提供一种基于联合学习的船舶故障诊断模型系统及其训练方法，在局部数据加密共享的情况下协同训练模型，保护不同船运公司的各智能船舶设备数据信息，且消耗的计算、通信资源少。
[0007]为实现上述目的，本专利技术所涉及的基于联合学习的船舶故障诊断模型系统，包括云服务器、若干个智能船舶、若干个船务代理；
[0008]所述智能船舶采集船舶运行过程中设备的运行数据，形成船舶设备数据集，通过船舶互联网与其对应的船务代理通信，发送船舶设备数据集；
[0009]所述云服务器存储有全局模型，其将全局模型和模型聚合间隔发送至每个船务代理，并接收所述船务代理发送的局部模型及局部模型损失函数与所述全局模型聚合，所述损失函数为描述局部模型和全局模型偏差程度的函数，所述模型聚合间隔为船务代理向云服务器上传局部模型和局部模型损失函数的间隔；
[0010]所述船务代理接收所述智能船舶发送的船舶设备数据集及所述云服务器发送的全局模型和模型聚合间隔，将船舶设备数据集处理为本地样本数据集和测试数据集，使用本地样本数据集将全局模型训练成与智能船舶对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器，所述船务代理使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果。
[0011]优选地，所述云服务器模型设有模型存储模块、联合学习平台和通信服务端，所述模型存储模块存储局部模型、局部模型损失函数、全局模型和模型聚合间隔，所述通信服务端用于在云服务器与船务代理之间搭建安全信道，所述安全信道用于云服务器通信服务端分发全局模型与模型聚合间隔，以及接收船务代理发送的局部模型和局部模型损失函数，并保存至模型存储模块，所述联合学习平台包括模型聚合单元和聚合间隔调整单元，所述模型聚合单元获取所述模型存储模块保存的局部模型并对其进行聚合，更新全局模型并存入模型存储模块，所述聚合间隔调整单元获取所述通信服务端收集的局部模型损失函数，记录每次模型聚合损失函数的历史数值，调整模型训练的模型聚合间隔，模型聚合间隔以自适应模型聚合方法进行调整。
[0012]优选地，所述船务代理设有模型训练模块、模型加密模块、数据存储模块和船舶互联网数据管理模块；
[0013]所述模型训练模块加载云服务器分发的全局模型，使用本地样本数据集对全局模型进行训练取得局部模型和模型损失函数，使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果；
[0014]所述模型加密模块用于加密发送至所述云服务器的局部模型以及解密云服务器分发的全局模型；
[0015]所述数据存储模块用于存储局部模型、本地样本数据集和测试数据集；
[0016]所述船舶互联网数据管理模块用于与所述智能船舶和所述云服务器通信，从接入船舶互联网的智能船舶处收集船舶设备数据集，并处理为本地样本数据集和测试数据集，存入所述数据存储模块；从云服务器处获取全局模型以及模型聚合间隔；当模型训练迭代次数等于模型聚合间隔时，上传一次完成训练的局部模型以及局部模型损失函数至云服务器。
[0017]优选地，还包括密钥生成中心，所述密钥生成中心为船务代理发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理设有模型加密模块，通过私钥解密云服务器分发的全局模型，通过公钥加密发送至所述云服务器的局部模型。
[0018]优选地，所述船务代理的模型加密模块使用ElGamal同态加密算法对局部模型进行加密，保证加密过程中的密文满足加法同态。
[0019]优选地，全局模型和局部模型为利用卷积神经网络建立的故障诊断模型，其中卷积神经网络包括CNN模块、全连接层和softmax层。
[0020]一种所述基于联合学习的船舶故障诊断模型系统的训练方法，所述智能船舶获取设备的运行数据，上传船舶设备数据集至船务代理；
[0021]所述船务代理接收船舶设备数据集，处理为本地样本数据集和测试数据集，所述船务代理接收所述云服务器发送的全局模型和模型聚合间隔，使用本地样本数据集将全局
模型训练成与智能船舶对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器；
[0022]所述云服务器接收所述船务代理发送的局部模型及局部模型损失函数与所述全局模型聚合，形成新的全局模型，再将全局模型和模型聚合间隔发送至每个船务代理，循环往复。
[0023]优选地，所述云服务器聚合局部模型时，根据自适应模型聚合方法调整模型聚合间隔。
[0024]优选地，所述船务代理设有模型训练模块，使用本地样本数据集将全局模型训练成与智能船舶对应的局部模型时，所述模型训练模块获取当前模型迭代次数与当前模型聚合间隔，计算当前迭代训练的输入值、期望值、输出值，所述模型训练模块在每次模型迭代时，使用动量梯度下降算法，记录历次迭代的参数梯度，并使用参数梯度的指数加权平均对模型参数的权重值进行更新，每当本地训练的迭代次数满足当前模型聚合间隔时，将局部模型上传至云服务器。
[0025]优选地，基于联合学习的船舶故障诊断模型系统还包括密钥生成中心，所述密钥生成中心为船务代理发送基于ElG本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于联合学习的船舶故障诊断模型系统，其特征在于：包括云服务器(1)、若干个智能船舶(2)、若干个船务代理(3)；所述智能船舶(2)采集船舶运行过程中设备的运行数据，形成船舶设备数据集，通过船舶互联网与其对应的船务代理(3)通信，发送船舶设备数据集；所述云服务器(1)存储有全局模型，其将全局模型和模型聚合间隔发送至每个船务代理(3)，并接收所述船务代理(3)发送的局部模型及局部模型损失函数与所述全局模型聚合，所述损失函数为描述局部模型和全局模型偏差程度的函数，所述模型聚合间隔为船务代理(3)向云服务器(1)上传局部模型和局部模型损失函数的间隔；所述船务代理(3)接收所述智能船舶(2)发送的船舶设备数据集及所述云服务器(1)发送的全局模型和模型聚合间隔，将船舶设备数据集处理为本地样本数据集和测试数据集，使用本地样本数据集将全局模型训练成与智能船舶(2)对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器(1)，所述船务代理(3)使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果。2.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：所述云服务器(1)模型设有模型存储模块(5)、联合学习平台(6)和通信服务端(7)，所述模型存储模块(5)存储局部模型、局部模型损失函数、全局模型和模型聚合间隔，所述通信服务端(7)用于在云服务器(1)与船务代理(3)之间搭建安全信道，所述安全信道用于云服务器(1)通信服务端(7)分发全局模型与模型聚合间隔，以及接收船务代理(3)发送的局部模型和局部模型损失函数，并保存至模型存储模块(5)，所述联合学习平台(6)包括模型聚合单元和聚合间隔调整单元，所述模型聚合单元获取所述模型存储模块(5)保存的局部模型并对其进行聚合，更新全局模型并存入模型存储模块(5)，所述聚合间隔调整单元获取所述通信服务端(7)收集的局部模型损失函数，记录每次模型聚合损失函数的历史数值，调整模型训练的模型聚合间隔，模型聚合间隔以自适应模型聚合方法进行调整。3.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：所述船务代理(3)设有模型训练模块(8)、模型加密模块(9)、数据存储模块(10)和船舶互联网数据管理模块(11)；所述模型训练模块(8)加载云服务器(1)分发的全局模型，使用本地样本数据集对全局模型进行训练取得局部模型和模型损失函数，使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果；所述模型加密模块(9)用于加密发送至所述云服务器(1)的局部模型以及解密云服务器(1)分发的全局模型；所述数据存储模块(10)用于存储局部模型、本地样本数据集和测试数据集；所述船舶互联网数据管理模块(11)用于与所述智能船舶(2)和所述云服务器(1)通信，从接入船舶互联网的智能船舶(2)处收集船舶设备数据集，并处理为本地样本数据集和测试数据集，存入所述数据存储模块(10)；从云服务器(1)处获取全局模型以及模型聚合间隔；当模型训练迭代次数等于模型聚合间隔时，上传一次完成训练的局部模型以及局部模型损失函数至云服务器(1)。4.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征...
【专利技术属性】
技术研发人员：管聪，蒋子柏，陈辉，张泽辉，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。