基于联邦迁移学习的设备故障诊断方法技术

技术编号:41269726 阅读:31 留言:0更新日期:2024-05-11 09:24
本发明专利技术公开了基于联邦迁移学习的设备故障诊断方法,包括下述步骤:S1.所有工厂子端对故障数据进行采集、归一化等数据预处理;S2.利用本地的故障数据进行训练,进行参数调整得到最优模型参数,重新调优初始化得到各工厂子端BiGRU诊断模型;S3.进行差异化更新操作,计算各工厂子端的通信因子,得到局部模型;S4.中心服务器对局部模型完成中心聚合,生成新一轮全局模型下发至工厂子端;S5.构建多源子域自适应迁移学习模型,降低无用特征标签数据权重,选取高质量可迁移故障特征;S6.得到迁移模型,目标域工厂子端利用本地目标域数据训练得到个性诊断模型。本发明专利技术实现低质量数据下的多源数据联合设备故障诊断。

【技术实现步骤摘要】

本专利技术涉及工业设备故障联合诊断及联邦迁移学习,尤其涉及一种基于联邦迁移学习的设备故障诊断方法


技术介绍

1、随着工业设备日趋大型化、复杂化,故障诊断对设备的安全性和可靠性越来越重要。随着工业物联网技术的发展,基于数据驱动的设备故障诊断方法得到广泛研究。基于数据驱动的故障诊断方法训练性能紧密依赖于数据质量与数量,而工业领域中,企业间由于数据隐私和安全要求无法共享数据,因此如何在保护数据隐私的前提下共同建模实现联合故障诊断成为研究热点。联邦学习作为分布式机器学习新范式,在保护数据隐私的基础上实现联合多参与方共同建模,进而有效打破数据孤岛问题。将联邦学习应用在设备故障诊断领域,可以解决单一工厂数据量不足的问题,进一步提高设备故障诊断的准确率。

2、联邦学习作为多客户端的分布式机器学习新范式,通过让多参与方在不共享数据的基础上联合建模,实现数据隐私下的多源数据融合,进而有效打破数据孤岛问题。目前,联邦学习技术逐渐被应用于不同领域的数据联合中,如医疗领域、金融领域中、以及物联网领域中。随着对工业数据安全重视程度的提升,在工业设备故障诊断领域中,联邦本文档来自技高网...

【技术保护点】

1.一种基于联邦迁移学习的设备故障诊断方法,其特征在于,包括下述步骤:

2.根据权利要求1所述的基于联邦迁移学习的设备故障诊断方法,其特征在于:所述步骤S2中,各工厂调优初始化,包括以下步骤:

3.根据权利要求1所述的基于联邦迁移学习的设备故障诊断方法,其特征在于:所述步骤S3中,计算各工厂子端的通信因子,按照权重大小选择本轮次参与中心聚合的工厂子端,包括以下步骤:

4.根据权利要求1所述的基于联邦迁移学习的设备故障诊断方法,其特征在于:所述步骤S5中,将源域与目标域高纬特征进行自适应权重选择,进一步选取高质量可迁移故障特征,包括以下步骤:

【技术特征摘要】

1.一种基于联邦迁移学习的设备故障诊断方法,其特征在于,包括下述步骤:

2.根据权利要求1所述的基于联邦迁移学习的设备故障诊断方法,其特征在于:所述步骤s2中,各工厂调优初始化,包括以下步骤:

3.根据权利要求1所述的基于联邦迁移学习的设备故障诊断方法,其特征在于:所...

【专利技术属性】
技术研发人员:季海鹏赵益晨刘晶史进汪鹏王旭董永峰
申请(专利权)人:河北工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1