一种基于自平衡联邦学习的不平衡数据故障诊断方法技术

本发明专利技术公开了一种基于自平衡联邦学习的不平衡数据故障诊断方法，属于人工智能和边缘计算相结合的技术领域，包括以下步骤：S1、获取客户端数据并监控客户端数据是否存在不平衡现象；S2、数据增强；S3、共享生成器与判别器的权值；S4、中介训练调度；S5、中介服务器调度客户端训练模型；S6、联邦学习服务器对模型参数聚合；S7、聚合后的模型参数返回给中介服务器，开启下一轮同步训练；S8、客户端获得准确度结果。本发明专利技术采用上述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，该方法通过梯度监控、数据增强和中介训练调度技术，能够有效解决数据不平衡问题，提高故障诊断模型的精度和稳定性。

【技术实现步骤摘要】

本专利技术属于人工智能和边缘计算相结合的，具体涉及一种基于自平衡联邦学习的不平衡数据故障诊断方法。

技术介绍

1、利用状态监测数据进行故障诊断在现代工业互联网中具有重要意义，可以提高设备的可靠性，提高运行安全性，降低维护成本。近年来，随着人工智能的快速发展，数据驱动的故障诊断方法取得了巨大的成功，并在许多应用中得到了广泛的应用。基于深度学习的故障诊断技术凭借其强大的数据表示学习和分析能力，已受到业界和学术界的广泛关注，从而实现更加自动化和有效的智能过程控制。

2、在人工智能领域传统的数据处理模式往往是集中式的，各方收集的数据将被集中至同一处进行预处理、清洗及建模。但随着大数据相关技术及人工智能的发展和应用，数据的安全性和隐私性越来越受到相关部门及企业的重视，限制隐私数据的流通与共享产生了“数据孤岛”的问题。在实际应用中，训练数据分散在机构或企业中，并且具有隐私敏感性，无法集中到服务器中进行训练。

3、数据的类不平衡是故障诊断中的另一个问题。某些类型的故障，如灾难性故障和意外机械故障是罕见的。而深度学习需要足够多的数据样本数量来进行表本文档来自技高网...

【技术保护点】

1.一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，S1中，所述数据预处理包括归一化。

3.根据权利要求1所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，S1中，所述梯度监控是根据所述客户端数据的梯度推断每一轮训练数据的组成，并检测是否存在全局不平衡，具体步骤如下：

4.根据权利要求3所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，在S102中，将第t+1轮中每一类样本单独送入第t轮的全局模型以获取权重更新...

【技术特征摘要】

1.一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，s1中，所述数据预处理包括归一化。

3.根据权利要求1所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，s1中，所述梯度监控是根据所述客户端数据的梯度推断每一轮训练数据的组成，并检测是否存在全局不平衡，具体步骤如下：

4.根据权利要求3所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，在s102中，将第t+1轮中每一类样本单独送入第t轮的全局模型以获取权重更新，通过对各权重组成计算比值，选取出更新幅度大的权重。

5.根据权利要求1所述的一种基于自平衡联邦学习的不平衡数据故障诊断方法，其特征在于，s2中，所述数据增强是基于数据标签分布偏差感知的条件生成对抗网络模型，所述条件生成对抗网络模型由生成器和判别器组成，所述生成器为带有随机标签的条件生成器。

6.根据权利要求1所...

【专利技术属性】
技术研发人员：李骏，廖振伟，夏鹏程，倪艺洋，时龙，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：