【技术实现步骤摘要】
本专利技术涉及设备故障检测，尤其涉及基于联邦学习的设备故障检测模型训练方法及系统。
技术介绍
1、随着科技进步以及分布式设备的发展，不同业务系统之间的设备的智能化、实时化的故障诊断系统逐渐成为行业研究与应用的热点，例如电力系统中的不同区域的电力设备，在现有技术中，每一个区域的电力设备具有自己的故障检测模型，每一个检测模型之间的训练数据是独立的，数据量较少且不适应与训练数据之间的联合，而且若将不同业务系统的训练数据上传到同一的服务端进行训练，不能保证每一业务系统内的数据的安全和隐私。
2、现有技术中，对分布式设备进行统一训练时，故障检测模型的准确的和可靠性不足。另外，对于时间序列预测任务，如电力设备的健康状态和剩余使用寿命估计(remaininguseful life，rul)，lstm等深层神经网络因其能够捕获长期依赖关系而表现更佳，但现有技术无法有效地整合这些复杂模型的特征，导致模型性能下降。特别是在处理循环数据(如锂离子电池容量衰退数据)时，中心化训练模型可能因难以区分不同电池的循环模式，故障检测模型的准确的和可靠性降低
【技术保护点】
1.一种基于联邦学习的设备故障检测模型训练方法，其特征在于，应用于服务端，所述设备故障检测模型包括至少一个本地模型，所述本地模型位于客户端，包括以下步骤：
2.根据权利要求1所述的训练方法，其特征在于，所述对所述第一特征进行归一化处理和维度变换，得到第二特征，具体包括：
3.根据权利要求1所述的训练方法，其特征在于，所述根据所述第二特征进行特征匹配，得到同类型的所述本地模型，具体包括：
4.根据权利要求1所述的训练方法，其特征在于，所述对同类型的所述本地模型的所述本地参数进行加权聚合，得到全局参数，具体包括：
5.根据权...
【技术特征摘要】
1.一种基于联邦学习的设备故障检测模型训练方法，其特征在于，应用于服务端，所述设备故障检测模型包括至少一个本地模型，所述本地模型位于客户端，包括以下步骤：
2.根据权利要求1所述的训练方法，其特征在于，所述对所述第一特征进行归一化处理和维度变换，得到第二特征，具体包括：
3.根据权利要求1所述的训练方法，其特征在于，所述根据所述第二特征进行特征匹配，得到同类型的所述本地模型，具体包括：
4.根据权利要求1所述的训练方法，其特征在于，所述对同类型的所述本地模型的所述本地参数进行加权聚合，得到全局参数，具体包括：
5.根据权利要求1-4任一项所述的训练方法，其特征在于，所述将所述全局参数下发给客户端，具体包括：
6.一种基...
【专利技术属性】
技术研发人员：梅海鹏，邓传华，刘惠灵，曾毅，曾远双，黄鑫益，林晓旭，
申请(专利权)人：广东电网有限责任公司河源供电局，
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。