System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及故障诊断技术,尤其涉及一种基于联邦拆分学习的变压器故障诊断方法、装置及设备。
技术介绍
1、随着智能制造的发展,自建数据中心处理厂区的数据已成为趋势,但是自建数据中心在技术难度和费用方面都相对较高。在降本增效的大前提下,多厂区联合共建数据中心,成为一种相对节省成本的方案。但是随之而来的是在远程传输数据时安全的隐患问题。
2、变压器故障诊断是厂区常用的诊断对象,由于变压器数量较多,运行时间长,累计数据量多,模型训练时间长,在联合共建数据中心进行模型训练和诊断时,工业企业应高度重视数据信息安全,采取必要的措施加强系统防护,以确保数据的机密性、完整性和可用性。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷,提供一种基于联邦拆分学习的变压器故障诊断方法、装置及设备。
2、本专利技术解决其技术问题所采用的技术方案是:一种基于联邦拆分学习的变压器故障诊断方法,包括以下步骤:
3、1)采集变压器运行的历史数据,包括正常数据和故障数据;将采集的数据分为训练集和验证集;
4、2)利用训练集训练变压器故障诊断模型,所述变压器故障诊断模型为神经网络模型,具体如下:
5、2.1)根据待训练的变压器故障诊断模型,确定模型的网络结构和损失函数,初始化参数;
6、确定模型的总体结构共计n层,取模型首h层、尾t层放置在边缘设备中计算,剩余n-h-t层模型作为共享模型,放置在共建数据中心中进行计算;
...【技术保护点】
1.一种基于联邦拆分学习的变压器故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.1)中利用正态随机数初始化模型所有层的权重参数。
3.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.1)中参数h和t设置如下:h≥1,t≥1,h和t的取值根据本地边缘设备的算力以及数据信息安全的等级综合设置。
4.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.3.1)中,将边缘设备中计算的尾层梯度传输给共享模型时,将边缘设备中计算的尾层梯度使用尾梯度压缩法进行压缩后传输给共享模型,具体步骤如下:
5.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.3.2)中,将共享模型计算的梯度传输给首层梯度更新权重时,将共享模型计算的梯度使用首梯度压缩法进行压缩后传输给首层梯度更新权重,具体步骤如下:
6.一种基于联邦拆分学习的变压器故障诊断装置,其特征在于,所述装置包括:
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述的基于联邦拆分学习的变压器故障诊断方法的步骤。
8.一种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权利要求1至5任一所述的基于联邦拆分学习的变压器故障诊断方法。
...【技术特征摘要】
1.一种基于联邦拆分学习的变压器故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.1)中利用正态随机数初始化模型所有层的权重参数。
3.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.1)中参数h和t设置如下:h≥1,t≥1,h和t的取值根据本地边缘设备的算力以及数据信息安全的等级综合设置。
4.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法,其特征在于,所述步骤2.3.1)中,将边缘设备中计算的尾层梯度传输给共享模型时,将边缘设备中计算的尾层梯度使用尾梯度压缩法进行压缩后传输给共享模型,具体步骤如下:
...
【专利技术属性】
技术研发人员:孙磊,韩华,徐徐,徐鹏飞,杨世飞,邹小勇,张亚鹏,
申请(专利权)人:南京凯奥思数据技术有限公司,
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。