【技术实现步骤摘要】
本专利技术涉及机电设备故障诊断领域和深度学习分布式训练，尤其涉及基于联邦学习的铁路道岔转辙机设备故障诊断。
技术介绍
1、道岔转辙机负责执行道岔转换过程和确定列车的运行路径。但在露天环境中运行使其受到不同天气模式、温度波动和湿度水平的影响，常会发生各种故障。基于信号处理和机器学习的算法依赖于先验知识和专家的经验，相对目前其他领域广泛应用的深度学习方法效率低、时效性有限且成本较高。基于数据驱动和深度学习的转辙机故障诊断方法表现出很高的准确性和效率。然而，目前的模型分布式训练方式主要依靠将来自多个转辙机的数据集中到云服务器上，通过使用现有的数据驱动方法来训练故障诊断模型。由于数据安全和商业竞争的原因，传统的集中式学习方法在实际操作中存在局限性。联邦学习作为一种模型训练策略，能够在分布式设备或系统中实现保持数据本地化而非集中聚合的模型训练。然而，在目前广泛应用的同步式联邦学习流程中，当发生数据延迟和数据包丢失时，服务器在执行聚合计算之前必须花费相当长的时间等待所有数据包到达，这导致很高的计算成本和精度的显著降低。
2、根据上述研究...
【技术保护点】
1.用于道岔转辙机故障诊断模型的异步联邦学习系统，其特征在于，包括：
2.根据权利要求1所述的系统，其特征在于，所述大尺度特征提取器和小尺度特征提取器并行设置；所述轻量化双尺度神经网络模型还包括沿数据流方向依次设置的特征拼合层、第一全卷积模块、第二全卷积模块、全局平均池化层、全连接层和输出层；所述特征拼合层用于对所述大尺度特征提取器和小尺度特征提取器的输出进行特征拼合处理。
3.根据权利要求2所述的系统，其特征在于，所述大尺度特征提取器和小尺度特征提取器分别具有三个输入通道，分别对应机械振动信号中的低频数据和机械振动信号中的高频数据；
<...【技术特征摘要】
1.用于道岔转辙机故障诊断模型的异步联邦学习系统，其特征在于，包括：
2.根据权利要求1所述的系统，其特征在于，所述大尺度特征提取器和小尺度特征提取器并行设置；所述轻量化双尺度神经网络模型还包括沿数据流方向依次设置的特征拼合层、第一全卷积模块、第二全卷积模块、全局平均池化层、全连接层和输出层；所述特征拼合层用于对所述大尺度特征提取器和小尺度特征提取器的输出进行特征拼合处理。
3.根据权利要求2所述的系统，其特征在于，所述大尺度特征提取器和小尺度特征提取器分别具有三个输入通道，分别对应机械振动信号中的低频数据和机械振动信号中的高频数据；
4.根据权利要求2所述的系统，其特征在于，所述第一全卷积模块和第二全卷积模块分别包括沿数据流方向依次设置...
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。