故障检测方法、装置及存储介质制造方法及图纸

本公开是关于一种故障检测方法、装置及存储介质。该方法包括：获取待检测样本；从服务器处获取全局模型参数，并基于所述全局模型参数更新所述终端中的局部模型；基于所述更新的局部模型，对所述待检测样本进行故障检测；其中，所述全局模型参数由全局模型确定，所述全局模型基于终端发送的局部近似样本分布和样本数训练得到。采用本公开的方法，可以在解决各终端的样本非独立同分布的技术问题和局部中断数据异常的技术问题的同时，不暴露各终端的样本分布信息，得到符合全局数据特征的预测模型，从而在确保预测精度的基础上保护了用户隐私。私。私。

【技术实现步骤摘要】
故障检测方法、装置及存储介质


[0001]本公开涉及计算机
，尤其涉及故障检测方法、装置及存储介质。

技术介绍

[0002]相关技术中，可以采用预先训练好的检测模型来对产品的故障进行检测分类，检测模型可以根据产品的历史故障数据训练得到。工业场景下，不同企业/工厂之间出于数据隐私及安全性的考虑，导致各自终端中的数据不能自由流通，形成数据孤岛。同时，各企业/工厂终端中的数据又存在互相补充的特质，可以为故障检测分类等应用提供更多的样本数据，提高检测模型的检测精度。因此，可以采用横向联邦学习模型，通过“数据不动模型动”的方式来解决这个问题。
[0003]横向联邦学习普通直接均值聚合的方法，需要各终端中的数据为服从独立同分布的。但是不同企业/工厂设备的终端中的数据受到工况、生产条件等影响，往往是非独立同分布的，常规方法没有很好解决这个问题。

技术实现思路

[0004]为克服相关技术中存在的问题，本公开提供一种故障检测方法、装置及存储介质。
[0005]根据本公开实施例的第一方面，提供一种故障检测方法，包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障检测方法，应用于终端，其特征在于，包括：获取待检测样本；从服务器处获取全局模型参数，并基于所述全局模型参数更新所述终端中的局部模型；基于所述更新的局部模型，对所述待检测样本进行故障检测；其中，所述全局模型参数由全局模型确定，所述全局模型基于终端发送的局部近似样本分布和样本数训练得到。2.根据权利要求1所述的方法，其特征在于，所述终端发送的局部近似样本分布采用以下方式获得：从服务器处获取初始化全局模型参数，根据所述初始化全局模型参数确定终端的待检测样本中各样本的标签，所述标签包括一个或多个标签类型；基于各样本的标签确定所述终端的局部样本分布，所述局部样本分布表征与每一类型标签对应的样本数占总样本数的比例；对每一类型的标签进行近似处理，将各标签对应的局部样本分布近似处理为局部近似样本分布。3.根据权利要求2所述的方法，其特征在于，所述全局模型采用如下方式训练得到：响应于被服务器选中，对终端中的局部模型进行训练，得到局部更新参数；发送所述局部更新参数至服务器，以使服务器对接收到的局部更新参数进行聚合，得到全局模型；其中，所述终端被服务器选中的概率由所述局部近似样本分布和样本数确定。4.一种故障检测方法，应用于服务器，其特征在于，包括：接收终端发送的局部近似样本分布和样本数，基于所述局部近似样本分布和样本数训练得到全局模型；发送全局模型参数至终端，以使终端根据接收到的全局模型参数更新终端中的局部模型，并根据更新后的局部模型对待检测样本进行故障检测。5.根据权利要求4所述的方法，其特征在于，所述终端发送的局部近似样本分布由终端对终端中的局部样本分布近似处理获得。6.根据权利要求5所述的方法，其特征在于，所述基于所述局部近似样本分布和样本数训练得到全局模型，包括：基于所述局部近似样本分布和样本数确定全局近似样本分布；确定各终端的局部近似样本分布与所述全局近似样本分布的相似度，根据所述相似度的排序将终端分为G组，其中，G为正整数；基于预设概率自G组中选取G
’
组终端，G
’
为小于等于G的正整数；接收在所述G
’
组终端中对各终端的局部模型进行训练得到的局部更新模...

【专利技术属性】
技术研发人员：戴夫，徐振炀，吕昊远，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：