【技术实现步骤摘要】
一种基于联邦自监督学习的设备故障诊断方法
[0001]本专利技术属于旋转设备故障诊断领域，涉及到机器学习、深度学习和时间序列分类领域的一种设备故障诊断方法，具体涉及了一种基于联邦自监督学习的设备故障诊断方法。
技术介绍
[0002]旋转设备在现代工业中有着广泛的应用，并且变得越来越复杂，越来越精密，例如航空发动机、燃气轮机。当旋转设备出现轴承损坏、叶片断裂等故障时，可能导致严重的事故，造成巨大的经济损失。因此，正确识别运行中的设备状态，在出现故障早期征兆时就及时干预，对提高生产效率，减少灾难损失等方面都有着重要的意义。
[0003]目前的旋转设备故障诊断大都属于数据驱动方法，通过大量的数据，挖掘出振动信号到设备状态的映射关系。常用的方法包括支持向量机、决策树和神经网络等。深度神经网络因其有自动提取特征的能力，是目前主流的研究方向之一。如专利“一种基于机器学习的水泥生产旋转设备故障诊断方法”公开的方法使用了一维卷积神经网络和全连接神经网络提取振动特征，然后使用集成学习从多个分类器中获得诊断结果。专利“一种基于深度残差网...
【技术保护点】
【技术特征摘要】
1.一种基于联邦自监督学习的设备故障诊断方法，其特征在于，包括以下步骤：S1：服务器初始化特征提取器的权重，并将该权重下发至各个客户端，各个客户端均使用该权重作为本地特征提取器的初始权重；S2：各客户端利用传感器采集本地设备工作时产生的信号并记为本地振动数据，接着对本地振动数据进行预处理后，获得无标签数据集和有标签数据集；S3：在联邦自监督学习框架下，各客户端使用无标签数据集训练本地特征提取器，进而获得训练好的本地特征提取器；S4：各客户端在监督学习框架下分别使用标签数据集训练分类器，获得对应的客户端分类器，每个客户端中，由当前特征提取器与客户端分类器连接后形成故障诊断模型；S5：将待诊断设备的传感器数据经过预处理后接入到对应客户端的故障诊断模型中，获得对应的设备诊断结果。2.根据权利要求1所述的一种基于联邦自监督学习的设备故障诊断方法，其特征在于，所述S1中，特征提取器采用带有残差连接的卷积神经网络。3.根据权利要求1所述的一种基于联邦自监督学习的设备故障诊断方法，其特征在于，所述S2中，每个客户端均执行以下步骤：S21：利用加速度计采集本地设备工作时产生的信号并记为本地振动数据；S22：随机选择预设比例的本地振动数据并按照设备真实状态对选择的本地振动数据进行标注，获得初始有标签数据集，未选择的本地振动数据则记为初始无标签数据集；S23：使用滑动窗口分别将初始有标签数据集和无标签数据集的所有信号切分为多段，分别获得已切分的有标签数据集和无标签数据集；S24：使用最大
‑
最小方法分别将已切分的有标签数据集和无标签数据集进行数值缩放，获得最终的无标签数据集和有标签数据集。4.根据权利要求1所述的一种基于联邦自监督学习的设备故障诊断方法，其特征在于，所述S3具体为：S31：每轮训练中，各客户端在自监督学习框架下分别使用无标签数据集训练本地特征提取器，获得当前轮训练后各客户端的本地特征提取器权重并均上传至服务器；S32：服务器聚合全体客户端的本地特征提取器权重后，获得全局特征提取器权重并下发该权重至各客户端的本地特征提取器；S33：重复S31
‑
S32，进行多轮全局特征提取器权重的更新，直至达到预设轮次，将最终的全局特征提取器权重下发至各客户端的本地特征提取器，各客户端从而获得训练好的本地特征提取器。5.根据权利要求4所述的一种基于联邦自监督学习的设备故障诊断方法，其特征在于，所述S31中，每个客户端均执行以下步骤：S311：利用两种不同的数据增强方法对无标签数据集中的各条无标签数据进行数据增强，获得对应的增强样本对；S312：在自监督学习框架下使用无标签数据集对应的增强样本对数据集进行一轮本地特征提取器的训练，获得当前轮训练后的本地特征提取器的权重并上传至服务器。6.根据权利要求5所述的一种基于联邦...
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。