基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法技术

公开了一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，步骤为：采集滚动轴承全寿命周期的振动信号；将获取到的样本进行划分、存储和预处理，得到可作为模型输入的序列数据；构建包含多尺度特征拓展模块、深度特征提取模块以及预测模块的预测模型；在联邦学习框架中，使用中心服务器与多个客户端协同训练预测模型，搭配剪枝策略，让模型结构变得轻量化；利用最终得到的轻量级模型进行滚动轴承剩余使用寿命的预测。本发明专利技术通过联邦学习为互不共享的分布式数据搭建预测模型，大大提高了各客户端数据的安全性，配合剪枝操作，有效提高了模型的预测效果及推理速度。高了模型的预测效果及推理速度。高了模型的预测效果及推理速度。

【技术实现步骤摘要】
基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法


[0001]本公开属于轴承剩余寿命预测
，特别是一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法。

技术介绍

[0002]滚动轴承是旋转机械的核心部件，在使用过程中由于磨损会产生退化，是最易产生故障的零件之一。针对滚动轴承运行状态进行监测，并开展切实有效的剩余寿命预测研究对于提高机械系统的稳定性至关重要。
[0003]随着深度学习及传感器技术的飞速发展，基于深层神经网络的滚动轴承剩余寿命预测方法已经取得了显著成效。由于具备强大的非线性映射能力，深层网络可在海量监测数据支持下对高度复杂的轴承退化过程进行拟合，以实现寿命预测。然而，现有的相关模型和训练数据存在以下问题：1)为了提取深层退化特征，现有模型的层数普遍较多，参数量大，推理速度较慢；2)滚动轴承的全寿命数据采集较难，样本较少，存在数据孤岛现象，在传统的方法中，先融合数据再进行模型训练的集中式方法没有考虑多个数据拥有端的隐私保护。
[0004]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：步骤1，采集滚动轴承全寿命周期的振动信号作为样本；步骤2，将采集到的所述样本中的一部分作为训练集，以单个样本为基本单位，将训练集的样本存储到多个客户端，并对各客户端的训练集的样本进行预处理，获得作为模型输入的序列数据；步骤3，构建滚动轴承剩余寿命预测的全局模型，其包括多尺度特征拓展模块、深度特征提取模块以及预测模块，多尺度特征拓展模块包括全连接层FC1、多尺度卷积层MC1、多尺度卷积层MC2和多尺度卷积层MC3，深度特征提取模块包括卷积层C1、卷积层C2、卷积层C3和卷积层C4，预测模块包括全连接层FC2和回归层；步骤4，在联邦学习框架中，中心服务器与多个客户端协同训练全局模型，基于剪枝策略使全局模型训练成为轻量级预测模型；步骤5，基于所述轻量级全局模型对同类型的滚动轴承进行剩余寿命预测。2.根据权利要求1所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，优选的，预处理包括对振动信号进行快速傅里叶变换得到其频域幅值信号，再对频域幅值进行归一化处理，之后以1024个数据点为准，将所得序列分割为多个短序列作为序列数据。3.根据权利要求1所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，所述步骤4包括：步骤4
‑
1)设置联邦学习中的最大通信轮数N
round
，剪枝的特征个数ε，初始预测模型β0；步骤4
‑
2)中心服务器将初始预测模型β0下发给所有客户端；步骤4
‑
3)在每轮的通信迭代中，各个客户端对接收到的模型进行参数更新，并将更新后模型上传至中心服务器，中心服务器对收集到的模型进行聚合形成全局模型；步骤4
‑
4)中心服务器下发全局模型至各个客户端，各客户端对全局模型进行评估，标记出此时预测性能最好的客户端k；步骤4
‑
5)在客户端k上，剪枝掉深度特征提取模块中的ε个输出特征，后将剪枝后模型上传至中心服务器，中心服务器再将其下发给所有客户端；步骤4
‑
6)重复执行步骤4
‑
3)至步骤4
‑
5)步骤，当步骤4

【专利技术属性】
技术研发人员：严如强，陈曦，孙文珺，孙闯，王诗彬，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：