基于统计特征融合的联邦域适应故障诊断方法技术

本发明专利技术公开了一种基于统计特征融合的联邦域适应故障诊断方法，源域客户端接收目标域客户端的统计特征和自有源域数据的统计特征分别对源域数据集进行数据标准化；中心服务器将故障诊断模型发送给所有源域客户端，然后源域客户端使用两种标准化后的源域数据作为输入，在源域客户端中训练接收到的全局模型；训练的模型会返回至中心服务器，中心服务器对接收到的所有源域客户端的模型做全局模型聚合；当训练轮数达到设定值时，训练结束得到最终的故障诊断模型发送给目标域客户端，目标域客户端获取待诊断的机械故障数据，通过故障诊断模型得到故障诊断结果。本发明专利技术利用目标域与源域之间数据的统计分布差异，提高故障诊断模型在目标域的泛化能力。目标域的泛化能力。目标域的泛化能力。

【技术实现步骤摘要】
基于统计特征融合的联邦域适应故障诊断方法


[0001]本专利技术涉及故障诊断技术，尤其涉及一种基于统计特征融合的联邦域适应故障诊断方法。

技术介绍

[0002]旋转机械数据通常来自型号和工况不同、运行和使用环境不同的装备，使用这些数据协同训练的故障诊断模型对新数据的预测准确率低、泛化能力差。
[0003]文献“Toward Secure Data Fusion in Industrial IoT Using Transfer Learning”提出迁移学习中的域泛化和域适应方法可通过将数据特征空间对齐解决域漂移问题。文献“Deep Domain Generalization Combining A Priori Diagnosis Knowledge Toward Cross
‑
Domain Fault Diagnosis of Rolling Bearing”提出基于域泛化的滚动轴承故障诊断方法。该方法在目标域只有健康样本的条件下，消除了多个域之间的潜在差异，实现了高效故障诊断。文献“Conditional Adversarial Domain Generalization With a Single Discriminator for Bearing Fault Diagnosis”提出带有判别器的条件对抗域泛化方法，其目的是从工况不同的数据中提取域不变特征，并将这些特征推广到新故障数据中。为了实现条件对抗训练，设计了一种新的条件对抗策略，即特征提取器可以让判别器区分故障类别，但不能区分域，以更好地混淆判别器并泛化特征。文献“Intelligent Fault Identification Based on Multisource Domain Generalization Towards Actual Diagnosis Scenario”提出了一种新的基于多源域的智能故障识别方法。该方法使用局部Fisher判别分析，将每个源域的判别结构描述为Grassmann流形的一个点。通过保留类内局部结构，局部Fisher判别分析可以从多模态故障数据中学习有效的判别器。文献“ANew Multiple Source Domain Adaptation Fault Diagnosis Method Between Different Rotating Machines”提出了一种基于多源域自适应的迁移学习方法。该方法使用多对抗学习策略来获得域对齐的特征表示，同时对目标域具有判别性。文献“Deep Adversarial Domain Adaptation Model for Bearing Fault Diagnosis”提出了一种用于滚动轴承故障诊断的深度对抗域自适应模型。该模型构建了一个对抗域适应网络来解决源域和目标域特征分布不一致的问题。
[0004]数据是深度学习故障诊断算法的基础，为了保证深度学习的有效性，需要将尽可能多的数据聚合使用。为了能将不同客户端的数据安全、有效的聚合使用，解决深度学习过程中的“数据孤岛”问题，联邦学习应运而生。在联邦学习中学习任务是在中央服务器的协调下由多个参与设备(即客户端)以松散联邦的形式解决。联邦学习使用不同客户端的数据协作训练模型，但是由于工作条件或者型号不同，这些数据通常存在域漂移问题，因此联邦迁移学习受到越来越多研究人员的关注。
[0005]文献“Federated Transfer Learning for Intelligent Fault Diagnostics Using Deep Adversarial Networks With Data Privacy”提出了一种用于故障诊断的联邦迁移学习方法，该方法为不同的边设计不同的网络模型结构，并使用深度对抗学习实现
联邦通信。文献“Data privacy preserving federated transfer learning in machinery fault diagnostics using prior distributions.Structural Health Monitoring”提出了一种用于机械故障诊断的联邦迁移学习方法。该方法提出使用先验分布来间接解决域漂移问题，并通过提取不同用户的域不变特征进行故障诊断。
[0006]虽然联邦迁移学习在故障诊断方面取得了与迁移学习相当的性能，但现有的联邦域适应方法通常需要将所有客户端的特征数据传输到中心服务器实现特征空间对齐，这增加了客户端与模型之间的通信代价。此外，现有联邦域适应方法缺少对客户端多传感器输入信号特征融合方法的研究。

技术实现思路

[0007]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种基于统计特征融合的联邦域适应故障诊断方法。
[0008]为实现本专利技术的目的，本专利技术所采用的技术方案是：
[0009]一种基于统计特征融合的联邦域适应故障诊断方法，包括步骤：
[0010](1)目标域客户端将未标记故障数据的统计特征发送到中心服务器，中心服务器再将这些统计特征发送到所有的源域客户端；源域客户端使用接收的统计特征和自有源域数据的统计特征分别对源域数据集进行数据标准化；
[0011](2)中心服务器的故障诊断模型包括特征提取网络和分类网络，中心服务器将全局模型发送给所有源域客户端，然后源域客户端使用两种标准化后的源域数据作为输入，基于相关性对齐方法在源域客户端中训练接收到的全局模型；
[0012](3)在所有源域客户端的模型训练一轮后，训练的模型都会被发送至中心服务器，中心服务器对接收到的所有源域客户端的模型做全局模型聚合；然后被发送到所有源域客户端中进行下一轮训练，当训练轮数达到设定值时，训练任务结束，得到最终的故障诊断模型；
[0013](4)在测试阶段，中心服务器将训练好的故障诊断模型发送给目标域客户端，目标域客户端获取待诊断的机械故障数据，通过故障诊断模型得到故障诊断结果。
[0014]进一步地，步骤(1)中，统计特征为均值和标准差。
[0015]进一步地，步骤(2)中，在特征提取网络中，采用不同特征提取通道的统计特征交换实现本通道输出特征的标准化，采用交换标准化的特征作为分类网络的输入。
[0016]进一步地，步骤(2)中，源域客户端收到的全局模型包括特征提取网络和分类网络。
[0017]进一步地，基于相关性对齐方法在源域客户端中训练接收到的全局模型，具体为，源域客户端还包括特征空间度量，特征空间度量使用相关性对齐方法约束同种传感器数据不同特征之间的距离。
[0018]进一步地，特征空间度量的输入为，采用不同特征提取通道的统计特征交换实现标准化的特征。
[0019]进一步地，步骤(3)中，中心服务器上的全局模型聚合为，
[0020]将N个源域客户端上的N个全局模型的特征提取器和N个源域
客户端上的N个全局模型的分类器平均化后，更新中心服务器上的全局模型的特征提取器和分类器其中，为第i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统计特征融合的联邦域适应故障诊断方法，其特征在于，包括步骤：(1)目标域客户端将未标记故障数据的统计特征发送到中心服务器，中心服务器再将这些统计特征发送到所有的源域客户端；源域客户端使用接收的统计特征和自有源域数据的统计特征分别对源域数据集进行数据标准化；(2)中心服务器的故障诊断模型包括特征提取网络和分类网络，中心服务器将全局模型发送给所有源域客户端，然后源域客户端使用两种标准化后的源域数据作为输入，基于相关性对齐方法在源域客户端中训练接收到的全局模型；(3)在所有源域客户端的模型训练一轮后，训练的模型都会被发送至中心服务器，中心服务器对接收到的所有源域客户端的模型做全局模型聚合；然后被发送到所有源域客户端中进行下一轮训练，当训练轮数达到设定值时，训练任务结束，得到最终的故障诊断模型；(4)在测试阶段，中心服务器将训练好的故障诊断模型发送给目标域客户端，目标域客户端获取待诊断的机械故障数据，通过故障诊断模型得到故障诊断结果。2.根据权利要求1所述的基于统计特征融合的联邦域适应故障诊断方法，其特征在于，步骤(1)中，统计特征为均值和标准差。3.根据权利要求1所述的基于统计特征融合的联邦域适应故障诊断方法，其特征在于，步骤(2)中，在特征提取网络中，采用不同特征提取通道的统计特征交换实现本通道输出特征的标准化，采用交换标准化的特征作为分类网络的输入。4.根据权利要求1所述的基于统计特征融合的联邦域适应故障诊断方法，其特征在于，步骤(2)中，源域客户端收到的全局模型包括特征提取网络和分类网络。5.根据权利要求4所述的基于统计特征融合...

【专利技术属性】
技术研发人员：苏常伟，缪旭弘，高晟耀，王雪仁，周涛，李沂滨，张艳涛，唐宇航，
申请(专利权)人：中国人民解放军九二五七八部队，
类型：发明
国别省市：