本发明专利技术提供一种多任务学习和隐私保护的设备健康状态评估方法及系统，该方法包括：对第一客户端内的各样本设备的历史运行参数进行奇异值分解，得到时域特征和频域特征后进行特征重构以及突变检验，得到各样本设备的多任务标签；基于源域下的第一样本设备的多任务标签、时域特征和频域特征，构建源域训练集，基于目标域下的第二样本设备的多任务标签、时域特征和频域特征，构建目标域训练集；基于第一客户端内的源域训练集和目标域训练集，以及各第二客户端内的源域训练集和目标域训练集，进行对抗领域自适应的联邦学习训练，得到目标域多任务评估模型进行设备健康状态评估，实现在保护数据隐私的同时，提高设备的健康状态评估的精度。
【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种多任务学习和隐私保护的设备健康状态评估方法及系统。
技术介绍
1、旋转设备在现代工业设备中扮演着重要的角色。它们是不可或缺的组成部分，被广泛应用于各个领域。这些设备以其独特的构造和功能，在航空航天、交通运输、电力、石油等行业发挥着关键作用。旋转设备由转子、齿轮和轴承等部件组成，通过动力传递单元实现高效运转。然而，长时间使用会导致疲劳和磨损，因此必须定期进行维护，以确保设备的正常运行。如果忽视维护工作，不仅会影响设备的性能和寿命，还可能带来严重的财产损失甚至人身安全风险。因此，对设备进行准确的健康状态评估，并据此制定合理的维护方案，这不但保障了设备的安全还节约了维护成本。
2、现有的深度学习算法在训练集和测试集具有相同的分布情况时会具有较好的预测效果，然而在现实生产中不同的设备具有不同的运行参数，且不同企业间出于安全等方面的考虑，企业间往往无法共享自己的数据而进行隐私保护，形成数据孤岛，由此导致实际测试应用采集到的数据与训练所采集的数据分布难以达到一致性，进而难以精准地评估出设备的健康状态。
3、因此，亟需一种多任务学习和隐私保护的设备健康状态评估方法及系统来解决上述问题。
技术实现思路
1、本专利技术提供一种多任务学习和隐私保护的设备健康状态评估方法及系统，用以解决现有技术中实际测试应用采集到的数据与训练所采集的数据分布不一致，难以精准地评估出设备的健康状态的缺陷，实现在保护数据隐私的同时，提高设备的健康状态评估的精度。</p>2、本专利技术提供一种多任务学习和隐私保护的设备健康状态评估方法，应用于多个客户端中的第一客户端，包括：
3、对所述第一客户端内的各样本设备的历史运行参数进行奇异值分解，得到所述历史运行参数对应的时域特征和频域特征；所述样本设备包括源域下的第一样本设备和目标域下的第二样本设备；
4、对所述时域特征和所述频域特征进行特征重构，得到各所述样本设备的健康指标；
5、对所述健康指标进行突变检验，根据突变检验结果，获取各所述样本设备的多任务标签；所述多任务标签包括剩余寿命标签、可靠性评估标签、健康阶段划分标签；
6、基于所述源域下的所述第一样本设备的多任务标签、时域特征和频域特征，构建源域训练集，基于所述目标域下的所述第二样本设备的多任务标签、时域特征和频域特征，构建目标域训练集；
7、基于所述第一客户端内的源域训练集和目标域训练集，以及多个所述客户端中除所述第一客户端之外的各第二客户端内的源域训练集和目标域训练集，进行对抗领域自适应的联邦学习训练，得到目标域多任务评估模型；
8、其中，所述目标域多任务评估模型用于根据所述目标域下的目标设备的时域特征和频域特征，输出所述目标设备的剩余寿命预测值、可靠性评估预测值以及健康阶段划分预测值。
9、根据本专利技术提供的一种多任务学习和隐私保护的设备健康状态评估方法，所述对所述第一客户端内的各样本设备的历史运行参数进行奇异值分解，得到所述历史运行参数对应的时域特征和频域特征，包括：
10、对于每一所述样本设备执行如下操作：
11、根据当前样本设备的全寿命运行周期内的各个采样点采集的历史运行参数，构建所述当前样本设备的时域参数向量；所述时域参数向量的第一维度表示不同的运行周期，第二维度表示不同的采样点，第三维度表示在每个采样点上所采集的历史运行参数；
12、对所述时域参数向量的第三维度对应的历史运行参数进行求平均，得到所述时域参数向量的时域平均值；
13、计算所述时域参数向量与所述时域平均值之间的差值，得到时域平均张量；
14、对所述时域平均张量进行张量奇异值分解，得到时域正交向量；
15、分别对所述时域平均张量的第三维度对应的历史运行参数和所述时域正交向量的第三维度对应的历史运行参数进行傅里叶变换，得到频域平均张量和频域正交向量；
16、对所述时域正交向量的第二维度对应的多个采样点和所述频域正交向量的第二维度对应的多个采样点进行降维处理；
17、根据降维后的时域正交向量和所述时域平均张量，获取所述时域特征，根据降维后的频域正交向量和所述频域平均张量，获取所述频域特征。
18、根据本专利技术提供的一种多任务学习和隐私保护的设备健康状态评估方法，所述对所述时域特征和所述频域特征进行特征重构，得到各所述样本设备的健康指标，包括：
19、将所述时域特征和所述频域特征，以及随机生成的噪声数据，输入至目标自编码器的编码网络，重构得到所述健康指标；
20、其中，所述目标自编码器是基于各所述样本设备的时域特征和频域特征，对基于长短时记忆网络的自编码器进行无监督训练得到的。
21、根据本专利技术提供的一种多任务学习和隐私保护的设备健康状态评估方法，所述对所述健康指标进行突变检验，根据突变检验结果，获取各所述样本设备的多任务标签，包括：
22、对所述健康指标进行突变检验，得到所述健康指标的变化趋势信息；
23、根据所述变化趋势信息，分别对所述健康指标进行健康阶段划分标记和剩余寿命标记，得到所述剩余寿命标签和所述健康阶段划分标签；
24、将各所述样本设备的历史运行参数对应的时域特征和频域特征输入至可靠性评估模型，得到所述可靠性评估标签；
25、其中，所述可靠性评估模型是基于任一样本设备的健康阶段划分标签，以及所述任一样本设备的历史运行参数对应的时域特征和频域特征，对逻辑回归模型进行最大似然估计得到的。
26、根据本专利技术提供的一种多任务学习和隐私保护的设备健康状态评估方法，所述目标域多任务评估模型包括目标域编码模型和目标域多任务网络；
27、所述目标域多任务网络包括多门专家混合模型、剩余寿命预测任务分支网络、可靠性评估预测任务分支网络和健康阶段划分预测任务分支网络，以及第一自注意力网络和第二自注意力网络；
28、所述健康阶段划分预测任务分支网络包括第一特征塔层、第一特征融合层和第一预测层，所述剩余寿命预测任务分支网络包括第二特征塔层、第二特征融合层和第二预测层，所述可靠性评估预测任务分支网络包括第三特征塔层、第三特征融合层和第三预测层；
29、所述目标域编码模型的输出端与所述多门专家混合模型的输入端连接；所述多门专家混合模型的输出端，分别与所述第一特征塔层的输入端、所述第二特征塔层的输入端和所述第三特征塔层的输入端连接；
30、所述第一特征塔层的输出端，分别与所述第一特征融合层的输入端和所述第一自注意力网络的输入端连接；所述第一特征融合层的输出端与所述第一预测层的输入端连接；
31、所述第一自注意力网络的输出端，以及所述第二特征塔层的输出端，与所述第二特征融合层的输入端连接；所述第二特征融合层的输出端与所述第二预测层的输入端连接；
32、所述第二特征融合层的输出端和所述第二特征塔层的输本文档来自技高网
...
【技术保护点】
1.一种多任务学习和隐私保护的设备健康状态评估方法，其特征在于，应用于多个客户端中的第一客户端，包括：
2.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述第一客户端内的各样本设备的历史运行参数进行奇异值分解，得到所述历史运行参数对应的时域特征和频域特征，包括：
3.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述时域特征和所述频域特征进行特征重构，得到各所述样本设备的健康指标，包括：
4.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述健康指标进行突变检验，根据突变检验结果，获取各所述样本设备的多任务标签，包括：
5.根据权利要求1-4任一项所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述目标域多任务评估模型包括目标域编码模型和目标域多任务网络；
6.根据权利要求5所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述基于所述第一客户端内的源域训练集和目标域训练集，以及多个所述客户端中除所述第一客户端之外的各第二客户端内的源域训练集和目标域训练集，进行对抗领域自适应的联邦学习训练，得到目标域多任务评估模型，包括：
7.根据权利要求6所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述第一客户端内的初始目标域编码模型对应的损失函数是基于所述第一客户端内的源域训练集中各第一样本设备对应的领域预测结果的正确性概率值以及目标域训练集中各第二样本设备对应的领域预测结果的正确性概率值进行联合构建的。
8.一种多任务学习和隐私保护的设备健康状态评估系统，其特征在于，应用于多个客户端中的任一第一客户端，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述多任务学习和隐私保护的设备健康状态评估方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述多任务学习和隐私保护的设备健康状态评估方法。
...
【技术特征摘要】
1.一种多任务学习和隐私保护的设备健康状态评估方法，其特征在于，应用于多个客户端中的第一客户端，包括：
2.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述第一客户端内的各样本设备的历史运行参数进行奇异值分解，得到所述历史运行参数对应的时域特征和频域特征，包括：
3.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述时域特征和所述频域特征进行特征重构，得到各所述样本设备的健康指标，包括：
4.根据权利要求1所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述对所述健康指标进行突变检验，根据突变检验结果，获取各所述样本设备的多任务标签，包括：
5.根据权利要求1-4任一项所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述目标域多任务评估模型包括目标域编码模型和目标域多任务网络；
6.根据权利要求5所述的多任务学习和隐私保护的设备健康状态评估方法，其特征在于，所述基于所述第一客户端内的源域训练集和目标域训练集...
【专利技术属性】
技术研发人员：张永，尹晓宇，周炜，郑英，严保康，
申请(专利权)人：武汉科技大学，
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。