一种基于联邦学习的船舶燃气轮机故障检测方法及设备技术

本文提供了一种基于联邦学习的船舶燃气轮机故障检测方法及设备，通过获取各个厂商中已售燃气轮机的使用数据，各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器；中央服务器将全部本地模型训练参数通过本地迭代递减方式进行聚合处理得到全局故障检测模型；中央服务器将全局故障检测模型的模型参数下发至每个厂商中，以使每个厂商更新当前的本地模型；重复上述步骤，直至训练得到的全局故障检测模型满足收敛条件，将最终的全局故障检测模型确定为目标故障检测模型；将待检测燃气轮机的状态数据输入至目标故障检测模型中，确定待检测燃气轮机的故障检测结果，通过上述方法可以提高燃气轮机故障检测的准确性

【技术实现步骤摘要】
一种基于联邦学习的船舶燃气轮机故障检测方法及设备


[0001]本文属于燃气轮机
，具体涉及一种基于联邦学习的船舶燃气轮机故障检测方法及设备
。

技术介绍

[0002]燃气轮机是一种高效而复杂的动力机械装置，在船舶动力
、
航空航天
、
能源发电
、
车辆制造等多个领域皆有应用
。
在我国大力发展国产重型燃气轮机的背景下，如何保证燃气轮机运行的安全性和可靠性是研究的热点
。
由于燃气轮机工作环境复杂
、
工况多变，随着运行时间的增长，其失效风险也大大增加
。
一旦燃气轮机发生故障，导致控制系统性能下降，对工业生产过程带来巨大的经济损失
。
因此，需要对燃气轮机进行故障分析与智能诊断
。
[0003]但是常见的系统故障预测只是通过自身运维数据，这样较少的数据量会导致智能诊断的模型精度过低，从而使得故障分析系统在使用时的准确性不够高
。

技术实现思路

[0004]针对现有技术的上述问题，本文的目的在于，提供一种基于联邦学习的船舶燃气轮机故障检测方法及设备，可以提高燃气轮机故障检测的准确性
。
[0005]为了解决上述技术问题，本文的具体技术方案如下：一方面，本文提供一种基于联邦学习的船舶燃气轮机故障检测方法，所述方法包括：获取各个厂商中已售燃气轮机的使用数据，所述使用数据包括燃气轮机的状态数据和所述状态数据对应的故障检测结果；各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器，所述本地模型为基于神经网络的船舶燃气轮机整机性能模型；所述中央服务器将全部本地模型训练参数通过本地迭代递减方式进行聚合处理得到全局故障检测模型；所述中央服务器将全局故障检测模型的模型参数下发至每个厂商中，以使每个厂商基于所述全局故障检测模型的模型参数和当前本地模型的准确率，更新当前的本地模型；重复上述步骤，直至训练得到的全局故障检测模型满足收敛条件，将最终的全局故障检测模型确定为目标故障检测模型；将待检测燃气轮机的状态数据输入至所述目标故障检测模型中，确定所述待检测燃气轮机的故障检测结果
。
[0006]进一步地，所述状态参数包括气路参数
、
燃油转化参数
、
滑油消耗参数，燃气轮机部件退化参数
。
[0007]进一步地，所述获取各个厂商中已售燃气轮机的使用数据，包括：
获取每个厂商已售燃气轮机的信息；根据每个厂商已售燃气轮机的信息，确定每个厂商待训练本地模型对应的目标燃气轮机，其中每个厂商待训练本地模型包括至少一个已售的目标燃气轮机；每个厂商获取其对应的目标燃气轮机反馈的初始数据，并对所述初始数据进行预处理得到用于训练的使用数据；每个厂商通过中央服务器下发的公钥，通过对随机数进行加密处理，并将加密处理的数据进行加盲扰动处理得到隐私数据，将所述隐私数据发送至中央服务器；所述中央服务器根据接收到的隐私数据，结合私钥针对预设标签集合进行初步计算，并将初步计算结果发送至对应的所述厂商，所述公钥和所述私钥为基于
RSA
加密的结果；每个厂商根据接收到的初步计算结果进行去盲处理，得到所述预设标签集合，并根据所述预设标签集合对所述使用数据进行数据对齐处理，以得到训练集合，以使每个厂商基于上述训练集合训练本地模型
。
[0008]进一步地，各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器，包括：每个厂商根据获得的使用数据训练本地模型，计算训练梯度，并将训练梯度通过加密上传至中央服务器；中央服务器将接收到的训练梯度解密汇总形成总梯度，并将总梯度分别发送至各个厂商，以使各个厂商根据接收到的总梯度更新本地模型参数
。
[0009]进一步地，所述方法包括：每个厂商接收中央服务器下发的公钥，通过所述公钥将训练梯度通过上传至中央服务器
。
[0010]进一步地，所述全局故障检测模型包括：输入层，所述输入层为多尺度残差网络，用于捕捉待检测对象的状态数据的多尺度特征；注意力机制层，用于对多尺度特征进行加权处理，获取深层特征；长短期记忆网络层，用于根据输入的状态数据的深层特征获取所述状态数据的时空多尺度特征；
Softmax
输出层，与所述长短期记忆网络层连接，用于根据所述状态数据的时空多尺度特征进行故障检测，以获得所述待检测对象的故障检测结果
。
[0011]进一步地，任意两个厂商之间的本地模型均不同
。
[0012]进一步地，所述中央服务器将全部本地模型训练参数通过本地迭代递减方式进行聚合处理得到全局故障检测模型，包括：确定本地模型的每轮训练的迭代次数及轮数，以及每个本地模型每轮训练的本地损失；确定模型聚合中本地损失的阈值集合，所述阈值聚合为每次聚合时对应的本地模型中的本地损失的阈值范围；根据所述阈值集合，按照全局模型的迭代次数依次确定每个本地模型的迭代次数，并确定每个本地模型的迭代次数对应的本地模型训练参数；根据每个本地模型参与训练的预设权重和本地模型训练参数，通过线性融合方式
进行参数融合，得到全局故障检测
。
[0013]另一方面，本文还提供一种基于联邦学习的船舶燃气轮机故障检测系统，所述系统包括中央服务器和各个厂商，每个厂商配置有本地服务器，每个本地服务器均与所述中同样服务器通信连接；获取各个厂商中已售燃气轮机的使用数据，所述使用数据包括燃气轮机的状态数据和所述状态数据对应的故障检测结果；各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器；所述中央服务器将全部本地模型训练参数通过聚合处理得到全局故障检测模型；所述中央服务器将全局故障检测模型下发至每个厂商中，以使每个厂商基于上述全局故障检测模型和当前本地模型的准确率，更新当前的本地模型；重复上述步骤，直至训练得到的全局故障检测模型满足收敛条件，将最终的全局故障检测模型确定为目标故障检测模型；将待检测燃气轮机的状态数据输入至所述目标故障检测模型中，确定所述待检测燃气轮机的故障检测结果
。
[0014]另一方面，本文还提供一种基于联邦学习的船舶燃气轮机故障检测装置，所述装置包括：获取模块，用于获取各个厂商中已售燃气轮机的使用数据，所述使用数据包括燃气轮机的状态数据和所述状态数据对应的故障检测结果；训练模块，用于各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器；聚合模块，用于所述中央服务器将全部本地模型训练参数通过聚合处理得到全局故障检测模型；更新模块，用于所述中央服务器将全局故障检测模型下发至每个厂商中，以使每个厂商基于上述全局故障检测模型和当前本地模型的准确率，更新当前的本地模型；收敛模块，用于重复上述步骤，直至训练得到的全局故障检测模型满足收敛条件，将最终的全局故障检测模型确定为目标故障检测模型；检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于联邦学习的船舶燃气轮机故障检测方法，其特征在于，所述方法包括：获取各个厂商中已售燃气轮机的使用数据，所述使用数据包括燃气轮机的状态数据和所述状态数据对应的故障检测结果；各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器，所述本地模型为基于神经网络的船舶燃气轮机整机性能模型；所述中央服务器将全部本地模型训练参数通过本地迭代递减方式进行聚合处理得到全局故障检测模型；所述中央服务器将全局故障检测模型的模型参数下发至每个厂商中，以使每个厂商基于所述全局故障检测模型的模型参数和当前本地模型的准确率，更新当前的本地模型；重复上述步骤，直至训练得到的全局故障检测模型满足收敛条件，将最终的全局故障检测模型确定为目标故障检测模型；将待检测燃气轮机的状态数据输入至所述目标故障检测模型中，确定所述待检测燃气轮机的故障检测结果
。2.
根据权利要求1所述的方法，其特征在于，所述状态参数包括气路参数
、
燃油转化参数
、
滑油消耗参数和燃气轮机部件退化参数
。3.
根据权利要求1所述的方法，其特征在于，所述获取各个厂商中已售燃气轮机的使用数据，包括：获取每个厂商已售燃气轮机的信息；根据每个厂商已售燃气轮机的信息，确定每个厂商待训练本地模型对应的目标燃气轮机，其中每个厂商待训练本地模型包括至少一个已售的目标燃气轮机；每个厂商获取其对应的目标燃气轮机反馈的初始数据，并对所述初始数据进行预处理得到用于训练的使用数据；每个厂商通过中央服务器下发的公钥，通过对随机数进行加密处理，并将加密处理的数据进行加盲扰动处理得到隐私数据，将所述隐私数据发送至中央服务器；所述中央服务器根据接收到的隐私数据，结合私钥针对预设标签集合进行初步计算，并将初步计算结果发送至对应的所述厂商，所述公钥和所述私钥为基于
RSA
加密的结果；每个厂商根据接收到的初步计算结果进行去盲处理，得到所述预设标签集合，并根据所述预设标签集合对所述使用数据进行数据对齐处理，以得到训练集合，以使每个厂商基于上述训练集合训练本地模型
。4.
根据权利要求1所述的方法，其特征在于，各个厂商根据获得的使用数据加密训练本地模型，并将本地模型训练参数加密上传至中央服务器，包括：每个厂商根据获得的使用数据训练本地模型，计算训练梯度，并将训练梯度通过加密上传至中央服务器；中央服务器将接收到的训练梯度解密汇总形成总梯度，并将总梯度分别发送至各个厂商，以使各个厂商根据接收到的总梯度更新本地模型参数
。5.
根据权利要求4所述的方法，其特征在于，所述方法包括：每个厂商接收中央服务器下发的公钥，通过所述公钥将训练梯度通过上传至中央服务器
。6.
根据权利要求1所述的方法，其特征在于，所述全局故障检测模型包括：
输入层，所述输入层为多尺度残差网络，用于捕捉待检测对象的状态数据的多尺度特征；注意力机制层，用于对多尺度特征进行加权处理，获取深层特征；长短期记忆网络层，用于根据输入...

【专利技术属性】
技术研发人员：王鹂辉，
申请(专利权)人：上海航数智能科技有限公司，
类型：发明
国别省市：