[发明专利]一种联邦学习与深度学习融合驱动的设备故障诊断方法

说明书

本发明公开了一种联邦学习与深度学习融合驱动的设备故障诊断方法，包括下述步骤：S1.设置能够运行在各可信工厂的分布式训练子端LSTM故障诊断模型；S2.对各可信工厂数据进行重采样、EMD分解、标签化和正规化等预处理；S3.在每个可信工厂上进行分布式训练子端LSTM故障诊断模型的训练；S4.中间训练模型底层参数上传给中心服务器；S5.中心服务器进行模型底层参数的聚合计算并分发到各分布式训练子端LSTM故障诊断模型进行更新；S6.完成全局共享联邦学习与深度学习融合驱动的设备故障诊断模型的训练。本发明维护工厂的数据安全与生产数据隐私，提高故障诊断的准确率，实现关键设备故障数据的隐私保护和可靠分类诊断。

技术领域

本发明涉及设备故障诊断领域，具体涉及一种联邦学习与深度学习融合驱动的设备故障诊断方法。

背景技术

现代设备逐渐朝着大型化、精密化、智能化方向发展，其结构和功能日趋复杂，使得维护难度越来越大，为保证正常运行所花费的维修费用也与日俱增，因此，发展可靠的设备监测技术，建立科学、高效的故障诊断系统，保障机械设备安全稳定运转，是现代工业发展的必然要求。

随着物联网技术的发展，关键设备获取了大量的温度、转速、功率、振动等运行数据，如何利用上述数据进行有效的故障预警及诊断成为了前沿热点，机器学习被广泛应用并取得了很好的效果，文章[刘晶等. 一种带有风险控制的维修决策方法[J]. 计算机集成制造系统, 2010(10):2087-2093.]提出一种带风险控制的维修决策方法，该方法将数据挖掘中的关联规则运用于故障诊断，对BP神经网络后果值进行分析和处理达到确定维修决策的目的。文章[韩涛等.基于MWT和CNN的滚动轴承智能复合故障诊断方法[J].机械传动,2016(12):139-143.]结合多小波变换和CNN提出了一种滚动轴承故障诊断方法，首先使用多小波变换技术将振动信号数据转换为多小波变换系数特征图，然后将特征图输入CNN中进行分类以达到轴承故障的自动诊断；文章[赵建鹏等. 基于长短时记忆网络的旋转机械状态预测研究[J].噪声与振动控制, 2017(4).]将收集的振动信号数据运用经验模态分解方法提取相关特征，并输入到单层LSTM网络模型，实现对旋转机械的运行状态预测，虽然上述方法都不同程度的解决了单个工厂设备故障诊断的问题，但由于设备的可靠性较高，各个工厂的设备运行数据大部分为正常数据，故障数据较少，即数据具有非平衡性，同时单一工厂的运行数据具有故障局限性，很难覆盖全部故障类型。如果想进一步提高故障诊断的准确性，则需要更多、更丰富的故障数据参与训练，但工厂运行数据具有较强的隐私性，而传统模型中训练数据需要集中在一个中心位置，使得大规模协作训练变得困难。

发明内容

本发明提出了一种联邦学习与深度学习融合驱动的设备故障诊断方法，其目的是：在可信工厂侧运行故障诊断模型，利用联邦学习的去中心化的训练模式来对故障诊断模型进行训练，联邦学习框架将来自各可信工厂采集的数据进行联合，用以训练全局共享故障诊断模型，提高工厂设备故障的诊断准确率。

为解决上述技术问题，本发明提供如下技术方案：

一种联邦学习与深度学习融合驱动的设备故障诊断方法，包括下述步骤：

S1. 在可信工厂侧产生的实时数据源上设置分布式训练子端LSTM故障诊断模型：根据业务问题设置数学模型，即包括输入层，一个隐含层和随机失活Dropout以及激活函数softmax输出层的LSTM神经网络，在模型训练完之后，部署于可信工厂侧的模型通过直接读入设备采集数据来进行故障分析；

S2.可信工厂采集数据特征提取：根据上一步中所述的分布式训练子端LSTM故障诊断模型对训练的要求，训练所用数据直接使用本地存储介质上的数据，通过读取载入来完成训练集加载。而数据集则根据故障特征提取可信工厂采集数据中的公共部分，取公共特征并在工厂域横向联合各数据集；