【技术实现步骤摘要】
本专利技术涉及计算机，具体为一种工业物联网故障的诊断方法、系统、设备和存储介质。
技术介绍
1、随着信息时代的来临以及机器学习、深度学习等人工智能技术的兴起，为工业与互联网的融合发展注入了强大的动能。工业物联网涵盖领域广，连接众多工业终端设备和网络。工业物联网通过机械设备的精细协同，实现从汽车到农业的自动化制造。工业物联网基于边缘设备提供的数据信息为工业生产和人类活动提供智能化和便利化的预测和决策。但工业物联网的可靠性问题也成为了当前研究领域的热点，如何对工业物联网故障高效地诊断并利用数据分析技术预防故障的发生是当前领域重点关注的方向。此外，当前工业物联网网络以及设备的分布式特性以及所产生数据的安全性和隐私性如何保护的问题也为工业物联网的发展带来了严峻的挑战。
2、工业设备所产生的数据在数据收集、数据传输以及数据共享，模型训练的过程中可能会泄露隐私数据，这将给数据所有者带来严重的隐私问题。传统上，人工智能技术需要集中的数据收集和处理，但由于现代物联网网络的高可扩展性和日益增长的数据隐私问题，这在现实应用场景中可能不可行。
3、联邦学习(fl)作为一种分布式协同人工智能方法，通过允许在分布式物联网设备上进行人工智能训练而不需要数据共享，使许多智能物联网应用成为可能，也保护了工业设备数据信息的隐私安全。然而目前联邦学习还存在全局收敛速度慢造成计算资源和时间浪费、中心服务器聚合效率低，数据的多源异构性导致全局计算能力弱等挑战。因此，需要寻找一种安全且高效的方法来保护工业设备的数据隐私，同时高效、可靠地进行工业物
技术实现思路
1、为解决上述的问题，本专利技术第一方面提供了一种工业物联网故障的诊断方法，所述方法包括：
2、s1、搭建基于工业物联网设备、边缘节点本地服务器和中心服务器的联邦学习框架，所述中心服务器进行初始化训练模型权重，并将初始化的模型权重发送至各边缘节点本地服务器；
3、s2、采集工业物联网设备数据建立样本数据，对样本数据进行归一化、标签编码和数据增强处理，得到用于训练的故障数据；对故障数据进行张量表示融合处理，提取故障数据的特征矩阵；
4、s2.1、设定工业物联网设备的故障点，采集故障状态与正常状态的设备数据，建立样本数据；
5、s2.2、对样本数据进行归一化、标签编码和数据增强处理；
6、s2.3、将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵；
7、s3、根据初始化的模型权重构建本地故障诊断模型，将张量表示融合后的故障数据输入所述本地故障诊断模型中进行训练；
8、s4、根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，根据得分值选取最佳边缘节点；
9、s5、获取最佳边缘节点本地故障诊断模型训练更新的模型权重，并依次与各边缘节点本地服务器建立通信获取数据，进行全局模型权重更新。
10、所述s2.3将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵，具体方法为：
11、s2.3.1、将所述处理后的样本数据采用张量形式进行表示；
12、s2.3.2、将张量表示数据进行时间卷积处理，并嵌入位置信息，得到包含时间信息与位置信息的第一张量表示；
13、s2.3.3、重新将张量表示数据进行近似权重矩阵补齐，再进行时间卷积处理得到第二张量表示；
14、s2.3.4、将第一张量表示与第二张量经跨模态进行张量表示融合，得到故障数据；将故障数据的融合表示输入自注意力机制模块进行聚合计算，进行特征矩阵的输出。
15、所述s4中根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，所述得分值计算公式为：
16、，
17、式中，表示各边缘节点本地模型训练的损失值， k表示参与联邦学习的边缘节点个数，表示评分函数，为各边缘节点的得分值。
18、所述根据得分值选取最佳边缘节点，具体方法为：
19、根据各边缘节点本地服务器的得分值设立指针表，初始化全局最佳得分及其对应的边缘节点指针，比较全局最佳得分与边缘节点本地服务器的得分值，对全局最佳得分值及对应边缘节点指针进行更新，
20、，
21、其中， global_score、 local_score分别为边缘节点全局最佳得分和本地最佳得分值， global_index指向具有全局最佳得分值的边缘节点， local_index为本地边缘节点指针。
22、所述s5中获取最佳边缘节点本地故障诊断模型训练更新的模型权重，具体方法为：
23、所述边缘节点本地服务器进行本地故障诊断模型训练时，为本地故障诊断模型的每一层权重设置一个对应的 v值作为粒子更新速度，其速度更新公式为：
24、，
25、其中，表示当前粒子惯性权重，表示粒子前一阶段的速度， pdest表示当前阶段模型训练的最佳权重， gbest表示本地模型训练的整体最佳权重， c1表示个体最优位置的加速系数， c2表示群体最优位置的加速系数， r1、 r2为区间[0,1]内的随机数，表示当前粒子更新后的速度；
26、将本地故障诊断模型训练的每层权重设置为粒子的位置坐标，所述边缘节点本地服务器的模型权重更新公式为：
27、，
28、式中，表示当前阶段更新后的权重，表示前一阶段的权重，表示当前粒子速度，表示当前粒子惯性权重。
29、所述s3中根据初始化的模型权重构建本地故障诊断模型的操作具体为：
30、所述本地故障诊断模型包括三个卷积池化模块，卷积池化模块由两个卷积层和一个池化层组成；在第一卷积池化模块后加入resnet残差结构，在第二卷积池化模块和第三卷积池化模块中加入resnet残差结构；
31、通过将三个卷积池化模块与resnet残差结构连接，并在第三卷积池化模块之后添加一层分类输出层，连接后的模型即为本地故障诊断模型。
32、所述工业物联网故障的诊断方法还包括中心服务器将聚合后的全局模型权重广播发送给参与联邦学习的各边缘节点，进入下一轮通信，边缘节点使用接收到的全局模型权重继续进行本地故障诊断模型训练，并进行本地模型更新，之后上传中心服务器进行全局聚合，直至达到预设的训练轮数，迭代完成。
33、第二方面提供了一种工业物联网故障的诊断系统，本文档来自技高网...
【技术保护点】
1.一种工业物联网故障的诊断方法，其特征在于，包括：
2.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S2.3将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵，具体方法为：
3.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S4中根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，所述得分值计算公式为：
4.根据权利要求3所述的工业物联网故障的诊断方法，其特征在于，所述根据得分值选取最佳边缘节点，具体方法为：
5.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S5中获取最佳边缘节点本地故障诊断模型训练更新的模型权重，具体方法为：
6.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S3中根据初始化的模型权重构建本地故障诊断模型的操作具体为：
7.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，还包括中心服务器将聚合后的全局模型权重广播发送给参与联邦学习的各边缘节点，进入下一轮通信，边缘节点使用接收到的全
8.一种工业物联网故障的诊断系统，其特征在于，包括：
9.一种工业物联网故障的诊断设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的程序数据时实现如所述权利要求1-7中任一项所述的工业物联网故障的诊断方法。
10.一种可读存储介质，其特征在于，用于存储控制程序数据，其中，所述控制程序数据被处理器执行时实现如所述权利要求1-7中任一项所述的工业物联网故障的诊断方法。
...【技术特征摘要】
1.一种工业物联网故障的诊断方法，其特征在于，包括：
2.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述s2.3将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵，具体方法为：
3.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述s4中根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，所述得分值计算公式为：
4.根据权利要求3所述的工业物联网故障的诊断方法，其特征在于，所述根据得分值选取最佳边缘节点，具体方法为：
5.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述s5中获取最佳边缘节点本地故障诊断模型训练更新的模型权重，具体方法为：
6.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述s3中根据初始化的模型权重构建...
【专利技术属性】
技术研发人员：赵慧奇，郭玉龙，王敏，范方，马耀文，张华杰，
申请(专利权)人：山东科技大学，
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。