基于联邦学习的设备故障预测方法技术

本发明专利技术提出基于联邦学习的设备故障预测方法。所述方法通过动态调整聚合权重，保障不同分布维度下故障数据在聚合过程中的权重适配性。本发明专利技术首先提出了贡献度机制，然后将各客户端的贡献度与其数据集的权重结合进行模型聚合，提出了FedAvg‑ContribData算法。实验数据表明，本发明专利技术相较于FedAvg、FedAvg‑Data种算法，在准确率方面，提升39.67％、7.87％；在精确率方面，提升40.43％、9.06％；在召回率方面，提升41.00％、7.86％；在F1系数方面，提升46.62％、9.34％。

【技术实现步骤摘要】

本专利技术属于工业制造，特别是涉及基于联邦学习的设备故障预测方法。

技术介绍

1、随着工业4.0和物联网技术的发展，智能设备在制造业中发挥着越来越重要的作用。众多专家学者们针对设备的可靠性和稳定性开展了大量研究，逐步建立起基于状态监测的智能运维体系。如基于热成像的轴承故障诊断，利用不同工况下的热成像结合ann(artificial neural network)和cnn(convolutional neural network)实现故障诊断；tl-densenet-gap-fcm(transfer learning dense network with global average poolingand f uzzy c-means)模型用于轴承故障诊断，减少了训练样本需求；基于多层超图卷积神经网络方法来进行工业过程中的故障的诊断，提高了部分故障数据集的检测准确率；基于深度神经网络提出了智能电网智能故障检测与分类方案，有效的对电网中的故障进行检测和分类。

2、联邦学习能有效保护数据隐私和安全，减少数据泄露风险；克服数据孤岛问题；减轻中央服务器负本文档来自技高网...

【技术保护点】

1.基于联邦学习的设备故障预测方法，其特征在于，所述方法包括数据预处理、特征提取、全局模型训练和故障预测四个环节；

2.根据权利要求1所述的方法，其特征在于，联邦学习中包含N个客户端，表示为C＝{C1，C2，…，CN}，对于集合内的每一个客户端Ci，都具有与之对应的本地数据集Di，且本地数据集Di的大小为ni；

3.根据权利要求2所述的方法，其特征在于，客户端使用随机梯度下降法来更新本地参数；客户端的本地参数更新公式为：

4.根据权利要求3所述的方法，其特征在于，所述数据预处理具体步骤包括：

5.根据权利要求4所述的方法，其特征在于，所述特...

【技术特征摘要】

1.基于联邦学习的设备故障预测方法，其特征在于，所述方法包括数据预处理、特征提取、全局模型训练和故障预测四个环节；

2.根据权利要求1所述的方法，其特征在于，联邦学习中包含n个客户端，表示为c＝{c1，c2，…，cn}，对于集合内的每一个客户端ci，都具有与之对应的本地数据集di，且本地数据集di的大小为ni；

3.根据权利要求2所述的方法，其特征在于，客户端使用随机梯度下降法来更新本地参数；客户端的本地参数更新公式为：

4.根据权利要求3所述的方法，其特征在于，所述数据预处理具体步骤包括：

5.根据权利要求4所述的方法，其特征在于，所述特征提取具体为...

【专利技术属性】
技术研发人员：周伟，韩佳乐，谭振江，李丽颖，魏迎欣，张君茹，刘健楠，
申请(专利权)人：吉林师范大学，
类型：发明
国别省市：