【技术实现步骤摘要】
本专利技术属于联邦学习，具体涉及一种基于数据与机理混合驱动的设备智能故障诊断方法。
技术介绍
1、随着数字化制造在工业领域的快速发展，数据驱动的深度学习模型在机械设备健康管理领域得到了迅速发展。卷积神经网络、递归神经网络、深度信念网络等方法不仅减轻了对操作人员专业知识的要求，而且能够快速处理海量数据，广泛应用于航空航天、汽车、船舶、智能制造等行业。
2、尽管现有的深度学习模型在旋转机械关键部件故障检测的样本识别方面表现令人满意，但其有效性很大程度上依赖于基本假设:1)目标任务样本和训练数据遵循数据独立同分布原则，即两者之间不存在明显的分布差异。2)测试数据本身包含样品的标签信息。然而，在现实工业场景中遇到的挑战比这两种假设要复杂得多。训练样本不仅数据质量参差不齐，而且数据之间存在明显的偏移和显著的差异，使得传统的故障诊断策略难以获得预期的结果。因此，li等人提出将混合损失函数集成到多尺度残差网络中，生成高质量的假样本，从而提高诊断模型对故障的灵敏度。liu等利用cramer-vonmises准则提出了一种自适应谐波分量提取模型，有效地消除了噪声干扰，提高了假分量识别的准确性。guo和jiang等人分别从信号处理和图像分析两个不同的角度探讨了旋转设备样本的复合故障信息，分别提出了减轻复合故障引起的模型负传递的方法。
3、可见，目前流行的迁移学习技术主要集中在提高模型对故障样本特征的识别灵敏度上，无法满足极端条件下工业无样本训练场景的要求。jia等提出了一种多表示softmax(mr-softmax)方法来克
4、联邦迁移学习(ftl)作为解决跨设备故障诊断问题同时确保客户端数据隐私的最早策略之一，自诞生以来就受到了广泛关注。ftl是一种分布式机器学习技术，它将模型的训练过程分布到每个源客户端，并对每个客户端完成的网络参数进行集成和分析。这种方法不仅确保了所有参与的客户的数据隐私，而且还通过培训促进了客户之间的知识共享，如图1所示。因此，超光速方法得到了越来越多研究者的讨论和探索。如li等人提出了一种多任务联合学习的联邦学习策略，通过约束低复杂度算法的损失函数，实现了车联网凸目标函数的推导。为了解决目标任务中的领域适应偏差问题，peng等提出将联邦学习策略纳入对抗性领域适应网络，有效提高了模型的诊断准确率。此外，zhang等人提出将先验分布纳入局部模型，以减轻联邦通信期间的网络负迁移，有效解决数据隐私问题，同时提高模型诊断准确性。域差异引起的协变量偏移是一直以来联邦学习面临的问题，也是迁移学习中要面临的问题；现有的网络关注信号的整体特征，并没有考虑到信号特定的提取场景、信号本身存在的噪声，以及不同设备的个性化差异等情况对信号的影响。
技术实现思路
1、本专利技术的目的在于提供一种能够减轻域差异引起的协变量漂移，并纠正网络关注区域的基于数据与机理混合驱动的设备智能故障诊断方法，使全局模型根据每个源客户端的贡献来评估网络参数，提高诊断目标任务的准确率。
2、基于上述目的，本专利技术采用如下技术方案：
3、一种基于数据与机理混合驱动的设备智能故障诊断方法，包括以下步骤：
4、步骤1，每个源客户端对局部模型进行初始化操作。
5、步骤2，使用源域数据对局部模型进行训练，更新局部模型中特征重构器、特征提取器和分类器的参数。
6、步骤3，使用过渡数据对局部模型进行训练，更新局部模型中特征提取器和分类器的参数。过渡数据可以是公开的数据集，或者是每个客户端没有用以训练的其他工况数据，主要为了避免每个源客户端网络形成只基于本地网络形成个性化的定式。
7、步骤4，将局部模型上传到中心服务器，中心服务器根据局部模型对全局模型的特征提取器和分类器的参数更新。
8、步骤5，将全局模型下载到源客户端，使用全局模型对源客户端任务进行反向验证，得到任务验证损失，使用任务验证损失更新该源客户端中局部模型的特征提取器、特征重构器和分类器的参数。
9、步骤6，循环步骤2-5达到设定次数，使用最终的全局模型对目标任务进行验证。
10、进一步的，在步骤2中，使用源域数据对局部模型进行训练包括以下步骤：
11、步骤2.1，在局部模型中输入源域数据、源域数据标签和源域客户端任务，对局部模型进行一次训练，计算损失函数；用分类损失、反馈损失、重构损失和领域差异损失为依据，更新局部模型中特征重构器、特征提取器和分类器的参数。
12、步骤2.2，对局部模型进行一次训练，训练过程中冻结特征提取器的参数，以重构损失和分类损失为依据，更新局部模型中特征重构器和分类器的参数，使特征重构器和分类器更加关注源域和目标域样本的结构特征。
13、步骤2.3，对局部模型进行一次训练，训练过程中冻结分类器的参数，以重构损失、领域差异损失和反馈损失为依据，更新特征重构器和特征提取器的参数，以提高网络对跨域故障样本的诊断性能。
14、步骤2.4，循环步骤2.1-2.3，直到局部模型达到设定的训练次数。
15、进一步的，在步骤2中，重构损失计算如下：
16、
17、式中，lre是重构损失；p1i和p2i分别是p1分布和p2分布的第i个样本的重构特征输出；nk是p1分布或p2分布的样本数。
18、进一步的，在步骤2中，反馈损失计算如下：
19、
20、式中，lf是反馈损失；mmd是最大平均差异；ns是第一组分布的样本数；nt是第二组分布的样本数；τ是样本进入到网络之后，进行的线性与非线性变换；是第一组分布中的第i个样本；是第一组分布的第j个样本；是第二组分布的第i个样本；是第二组分布的第j个样本；k是将原始变量映射到高维空间的映射关系。
21、进一步的，在步骤2中，分类损失计算如下：
22、
23、式中，os是从源域样本中提取的特征；ys是源域样本集的标签集；是第i个源域样本的标签；i[·]是分类器对样本故障类型的概率得分；c是故障标签的总数；c是所有故障标签中的其中一个。
24、进一步的，在步骤2中，领域差异损失计算如下：
25、
26、式中，ld是领域差异损失；π(p,q)是两组分布p和q的所有联合分布的集合，表示从分布p转变为分布q需要从x转移到y的“质量”；x和y是两组分布；e是相应的分布期望。
27、进一步的，在步骤3中，依据wasserstein距离函数更新局部模型中特征提取器和分类器的参数本文档来自技高网...
【技术保护点】
1.一种基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，使用源域数据对局部模型进行训练包括以下步骤：
3.如权利要求2所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，重构损失计算如下：
4.如权利要求3所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，反馈损失计算如下：
5.如权利要求4所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，分类损失计算如下：
6.如权利要求5所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤3中，依据Wasserstein距离函数更新局部模型中特征提取器和分类器的参数。
7.如权利要求6所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤4中，对全局模型的特征提取器和分类器的参数更新的方法包括以下步骤：
8.如权利要求7所述的基于数据与
9.一种电子设备，包括一个或多个处理器；还包括存储装置，其上存储有一个或多个程序，其特征在于，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的智能故障诊断方法。
10.一种微控单元，其特征在于，载有能执行权利要求1-8任一所述的智能故障诊断方法的控制协议或程序。
...【技术特征摘要】
1.一种基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，使用源域数据对局部模型进行训练包括以下步骤：
3.如权利要求2所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，重构损失计算如下：
4.如权利要求3所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，反馈损失计算如下：
5.如权利要求4所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤2中，分类损失计算如下：
6.如权利要求5所述的基于数据与机理混合驱动的设备智能故障诊断方法，其特征在于，在步骤3中，依...
【专利技术属性】
技术研发人员：刘丽兰，闫振豪，农伟平，潘坚初，高增桂，赵凯，于文花，
申请(专利权)人：上海大学，
类型：发明
国别省市：
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。