基于Bert模型的联邦学习传感器异常检测方法及系统技术方案

本发明专利技术公开了基于Bert模型的联邦学习传感器异常检测方法及系统，能够进行分布式异常检测，适用于在低通信成本的情况，通过有效的分布式传感器产生的时间序列数据进行异常检测。具体包括如下步骤：在关键节点上布置相应的温度传感器并连接到异常检测终端。中心服务器初始化参数并下发至各个异常检测终端。异常检测终端利用本地的数据对本地模型进行训练，之后将本地模型梯度调整参数发送回中心服务器，中心服务器更新全局模型参数并发送回各个异常检测终端，在异常检测终端对本地模型进行更新，以进行下一轮的训练。完成整体训练之后，各检测终端对本地数据进行异常检测，检测结果回传至中心服务器。

【技术实现步骤摘要】

本专利技术涉及联邦学习，具体涉及基于bert模型的联邦学习传感器异常检测方法及系统。

技术介绍

1、随着工业系统的发展和成熟，传统依靠纯人力对系统运行进行管理的方案已经难以适应生产力发展的需求，为了进一步摊薄生产成本，提升生产效率，越来越多的传感器系统、管理控制系统接入到了工业生产系统之中。然而，这些传感器系统、管理控制系统会产生大量的时间序列数据，这些数据时时刻刻反映着工业生产系统运行的状态，是系统状态的一种客观表现，因此，对这些数据进行异常检测能够及时的发现设备运行的异常状态，从而进一步对异常设备进行维护以降低生产损失。

2、近年来，工业生产带来的环境问题促生了我国碳达峰和碳中和两个新时代目标，而实现两个目标最好办法就寻找可再生的清洁能源去替传统能源的消耗。结合我国的现实情况，在近几年的发展中风力能源和太阳能能源是新能源产业中的核心势力。截至2023年年底，全国风电累计装机容量达到了4.41亿千瓦，同比增长20.7％；全国太阳能发电装机容量约6.1亿千瓦，同比增长55.2％，可再生能源总装机容量达到了1000gw以上。</p>

3、一种本文档来自技高网...

【技术保护点】

1.基于Bert模型的联邦学习传感器异常检测方法，其特征在于，采用至少一个异常检测终端和一个中心服务器进行异常检测，其中每个异常检测终端均维护一个本地模型，中心服务器维护一个全局模型，所述本地模型和全局模型均采用Bert模型，则异常检测方法具体包括如下步骤：

2.如权利要求1所述的基于Bert模型的联邦学习传感器异常检测方法，其特征在于，所述关键节点包括风机和变压器。

3.如权利要求1所述的基于Bert模型的联邦学习传感器异常检测方法，其特征在于，所述步骤3，具体为：

4.如权利要求1所述的基于Bert模型的联邦学习传感器异常检测方法，其特征在于，所述...

【技术特征摘要】

1.基于bert模型的联邦学习传感器异常检测方法，其特征在于，采用至少一个异常检测终端和一个中心服务器进行异常检测，其中每个异常检测终端均维护一个本地模型，中心服务器维护一个全局模型，所述本地模型和全局模型均采用bert模型，则异常检测方法具体包括如下步骤：

2.如权利要求1所述的基于bert模型的联邦学习传感器异常检测方法，其特征在于，所述关键节点包括风机和变压器。

3.如权利要求1所述的基于bert模型的联邦学习传感器异常检测方法，其特征在于，所述步骤3，具体为：

4.如权利要求1所述的基于bert模型的联邦学习传感器异常检测方法，其特征在于，所述步骤4中，中心服务器执行以下流程：

5.如权利要求4所述的基于bert模型的联邦学习传感器异常检测方法，其特征在于，所述步骤5，具体步骤如下：

6.基...

【专利技术属性】
技术研发人员：崔东平，饶丰，姚志明，张浩洋，张奥千，张冬冬，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：