一种基于联邦学习的非平衡轴承故障诊断方法及系统技术方案

本发明专利技术公开了一种基于联邦学习的非平衡轴承故障诊断方法及系统，该方法运行于多个本地用户节点与一个服务端聚合节点；每个用户对不平衡轴承故障数据集进行预处理，并预训练本地分类器，送入服务端聚合为全局分类器后下发给用户继续预训练，持续预训练N1轮；每个用户收到预训练完毕的全局分类器作为本地分类器，联合训练本地分类器和数据增强器，并送入聚合节点进行加权和聚合，得到全局分类器和数据增强器，然后广播到参与的本地用户节点继续进行加权和聚合，持续N2轮；训练完成后，每个用户使用得到的本地分类器和数据增强器，对测试数据进行轴承故障检测。本发明专利技术解决了联邦学习情况下轴承故障诊断的非平衡问题，可获得精准的故障诊断结果。障诊断结果。障诊断结果。

【技术实现步骤摘要】
一种基于联邦学习的非平衡轴承故障诊断方法及系统


[0001]本专利技术属于人工智能和边缘计算相结合的
，特别是一种基于联邦学习的非平衡轴承故障诊断方法及系统。

技术介绍

[0002]智能工厂设备关键部件的异常监测对安全经济运行具有重要意义，及时、准确的故障诊断是避免巨大经济损失和一些不必要人员伤亡的有效手段。大多数据驱动的诊断方法都是假设在有大规模和均衡训练的前提下进行的，然而这种假设在工程中通常是不现实的。
[0003]在工业中，不同健康状态下的训练样本通常是不平衡的，比如旋转机械系统，考虑到成本和安全，它大多在健康状态下工作，在故障状态下的运行时间非常短。结果表明，采集到的代表正常状态的样本足够多，但相应的故障数据却远远少于健康样本。
[0004]复杂工业数据通常存在以下问题：1)在海量数据中，缺乏与某种故障相关的特征信息即类别不平衡；2)各设备上数据非独立和同分布(非IID)即分布不平衡，每个设备上的本地隐私数据可能来自不同的情况，因此与数据总体的分布不同。这些问题通常导致故障诊断准确度的下降，严重限制了深度学习算法的学习能力。此外，相关行业的研究人员只能对属于他们自己机构的数据集进行分析和挖掘。如果单个组织所拥有的数据量不是非常大，并且相似度较高，多样化不足，则在这样的数据集上进行机器学习，研究人员最终可能得到扩展性较差的模型，或者容易产生过拟合的结果。在这种情况下，数据的隐私和机密性的限制明显影响了机器学习的效果，导致故障诊断精度降低。

技术实现思路

[0005]本专利技术的目的在于提供一种基于联邦学习的非平衡轴承故障诊断方法及系统，从而获得精准的故障诊断结果。
[0006]实现本专利技术目的的技术解决方案为：一种基于联邦学习的非平衡轴承故障诊断方法，所述方法运行于多个本地用户节点与一个服务端聚合节点，包括以下步骤：
[0007]步骤1、每个用户对不平衡轴承故障数据集进行预处理，包括滑动窗口采样和归一化处理；
[0008]步骤2、每个用户用预处理后的数据预训练本地分类器，并送入服务端聚合为全局分类器，然后下发给用户继续预训练本地分类器，持续预训练N1轮然后进入步骤3；
[0009]步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器，联合训练本地分类器和本地数据增强器，并送入服务端聚合节点；
[0010]步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器，根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合，得到全局分类器和全局数据增强器；
[0011]步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点，本地用户节
点接收服务端聚合节点发送的全局分类器和全局数据增强器，作为本地分类器和本地数据增强器，返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合，持续N2轮然后进入步骤6；
[0012]步骤6、训练完成后，每个用户使用步骤5得到的本地分类器和本地数据增强器，在本地对测试数据进行轴承故障检测，并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。
[0013]一种基于联邦学习的非平衡轴承故障诊断系统，该系统工作时执行所述非平衡轴承故障诊断方法的步骤。
[0014]本专利技术与现有技术相比，其显著优点为：(1)将物联网中的集中式的模型训练部分转移到边缘设备中，联合了各用户间的数据，同时减轻云端或者服务器端的计算负载；(2)数据始终保留在边缘设备本地，可以提高数据的安全性；(3)对于工业场景中边缘设备之间的数据不平衡问题，通过数据增强器和分类器的联合优化，改进聚合方式，从而提高最后模型质量；(4)训练结束后可以同时得到生成高质量故障样本的数据增强器和高精度的故障分类器，是端到端的数据增强方式。
附图说明
[0015]图1是本专利技术基于联邦学习的非平衡轴承故障诊断系统架构图。
具体实施方式
[0016]本专利技术基于联邦学习的非平衡轴承故障诊断方法，每个用户端设有故障分类器网络CNN和数据增强网络GAN，GAN生成的虚假故障数据优化分类器CNN，同时CNN的诊断结果会优化GAN的生成。最后数据增强网络可以生成高质量的故障样本，故障分类器也可以获得高精度的故障诊断结果。同时考虑训练用户间数据分布不平衡的问题，采用几何均值的聚合方法减少梯度噪声的影响。本专利技术解决了联邦学习情况下轴承故障诊断的非平衡问题，包括类别不平衡和分布不平衡，可获得精准的故障诊断结果。
[0017]本专利技术基于联邦学习的非平衡轴承故障诊断方法，所述方法运行于多个本地用户节点与一个服务端聚合节点，包括以下步骤：
[0018]步骤1、每个用户对不平衡轴承故障数据集进行预处理，包括滑动窗口采样和归一化处理；
[0019]步骤2、每个用户用预处理后的数据预训练本地分类器，并送入服务端聚合为全局分类器，然后下发给用户继续预训练本地分类器，持续预训练N1轮然后进入步骤3；
[0020]步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器，联合训练本地分类器和本地数据增强器，并送入服务端聚合节点；
[0021]步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器，根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合，得到全局分类器和全局数据增强器；
[0022]步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点，本地用户节点接收服务端聚合节点发送的全局分类器和全局数据增强器，作为本地分类器和本地数据增强器，返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合，持续N2轮然
后进入步骤6；
[0023]步骤6、训练完成后，每个用户使用步骤5得到的本地分类器和本地数据增强器，在本地对测试数据进行轴承故障检测，并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。
[0024]作为一种具体示例，每个本地用户节点就是一个边缘服务器，设置有工业设备车间内各个部件和环境的传感器，以及控制设备的采集器；
[0025]在工业设备车间内的边缘服务器对设备的传感器网络数据进行汇聚，实现边缘侧对底层数据的处理；
[0026]本地用户节点作为联邦训练任务的发起人和参与者，负责训练本地模型和存储数据，并通过无线网络传输到服务器云端即服务端；
[0027]服务端聚合节点设置在服务器云端，作为可信的第三方，通过无线网络进行模型的聚合和下发。
[0028]作为一种具体示例，步骤1中，滑动窗口采样的公式如下：
[0029][0030]其中，N为轴承数据信号长度，Step为采样信号长度，W为数据重叠率。
[0031]作为一种具体示例，步骤1中归一化处理，具体为：
[0032]把数据映射到0～1范围之内处理，其中x为当前样本数据值，x
max
为样本数据的最大值，xmin为样本数据的最小值，归一化处理公式为：
[0033][0034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非平衡轴承故障诊断方法，其特征在于，所述方法运行于多个本地用户节点与一个服务端聚合节点，包括以下步骤：步骤1、每个用户对不平衡轴承故障数据集进行预处理，包括滑动窗口采样和归一化处理；步骤2、每个用户用预处理后的数据预训练本地分类器，并送入服务端聚合为全局分类器，然后下发给用户继续预训练本地分类器，持续预训练N1轮然后进入步骤3；步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器，联合训练本地分类器和本地数据增强器，并送入服务端聚合节点；步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器，根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合，得到全局分类器和全局数据增强器；步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点，本地用户节点接收服务端聚合节点发送的全局分类器和全局数据增强器，作为本地分类器和本地数据增强器，返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合，持续N2轮然后进入步骤6；步骤6、训练完成后，每个用户使用步骤5得到的本地分类器和本地数据增强器，在本地对测试数据进行轴承故障检测，并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。2.根据权利要求1所述的一种基于联邦学习的非平衡轴承故障诊断方法，其特征在于，每个本地用户节点就是一个边缘服务器，设置有工业设备车间内各个部件和环境的传感器，以及控制设备的采集器；在工业设备车间内的边缘服务器对设备的传感器网络数据进行汇聚，实现边缘侧对底层数据的处理；本地用户节点作为联邦训练任务的发起人和参与者，负责训练本地模型和存储数据，并通过无线网络传输到服务器云端即服务端；服务端聚合节点设置在服务器云端，作为可信的第三方，通过无线网络进行模型的聚合和下发。3.根据权利要求1所述的一种基于联邦学习的非平衡轴承故障诊断方法，其特征在于，步骤1中，滑动窗口采样的公式如下：其中，N为轴承数据信号长度，Step为采样信号长度，W为数据重叠率。4.根据权利要求1所述的一种基于联邦学习的非平衡轴承故障诊断方法，其特征在于，步骤1中归一化处理，具体为：把数据映射到0～1范围之内处理，其中x为当前样本数据值，x
max
为样本数据的最大值，xmin为样本数据的最小值，归一化处理公式为：
5.根据权利要求1所述的一种基于联邦学习的非平衡轴承故障诊断方法，其特征在于，步骤2中，分类器为CNN网络，CNN网络包括顺次设置的输入层、卷积层3*3*32、池化层2*2、卷积层3*3*64、池化层2*2、卷积层3*3*128、池化层2*2、全连接层2048*1024、输出层，其中输出层激活函数为sigmoid。6....

【专利技术属性】
技术研发人员：李骏，张玮，梅镇，韦康，邵雨蒙，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：