[发明专利]一种基于联邦学习的工业图像故障诊断方法

说明书

本发明提出了一种基于联邦学习的工业图像故障诊断方法，包括如下步骤：联邦学习任务初始化，选择融合策略和初始化网络结构；接下来进行数据采集，从工业监控设备采集数据并进行数据增强和数据归一化；初始化网络训练环境，对于深度学习模型输入图像数据进行模型训练；对训练得到的模型传递到可信赖的节点，并采用指定融合策略进行模型融合；融合模型的下发，并且继续训练，确保模型收敛满足准确率的需求；然后根据训练模型进行工业图像的故障诊断。基于联邦学习的工业图像故障诊断方法，将联邦学习、深度学习方法和工业图像故障诊断相结合，并通过联邦学习聚合更多的数据用于训练，提高准确率的同时加快保障了数据安全性。

技术领域

本发明涉及工业互联网领域、工业图像故障诊断、深度学习和联邦学习，具体涉及到一种基于联邦学习的工业图像故障诊断方法。

背景技术

基于联邦学习的工业图像故障诊断方法主要基于目标检测故障诊断方法，采用联邦学习分布式学习的思想引入多个工厂节点的数据，共同作用完成故障诊断模型的构建。随着联邦学习的迅猛发展，其在数据安全、数据隐私和应用范围均得到了极大提升，不但充分保障了数据安全同时能快速和准确地完成模型训练；且联邦学习与深度学习结合，在图像识别、目标检测和自然语言处理等领域大量应用和取得较好的精确度；近年来最接近本发明的技术有：

(1)、基于Faster RCNN模型的故障诊断:Faster RCNN模型为目标检测领域的优秀算法，是由任少卿(Shaoqing Ren)和何凯明(Kaiming He)等人于2015年提出两阶段目标检测算法。尽管该方法在工业图像故障检测中有不错的表现，但是由于其模型参数量众多，该方法的实时性低下，同时由于算法本身缺陷,该方法在小物体检测效果差。使得该方法在工业图像故障诊断中表现欠佳。

随着工业4.0时代的到来，智能制造发展迅速，制造业智能化水平的提升，建设可适应的、高资源效率及具有基因工程学的智慧工厂，在安全生产的同时尽可能的提高生产效率。本方法采用基于联邦学习和深度神经网络方法能准确的诊断出图像中的故障信息。该方法通过准确的检测工业故障，从而提高设备运行的稳定性；通过联邦学习聚合更多的数据进行训练使得算法准确率大大提升；

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于联邦学习的工业图像故障诊断方法，通过采用目标检测神经网络和联邦学习和方法，保证数据的安全性，提取图像特征并进行检测与故障类别分类；通过联邦学习方式训练，聚合多个节点数据训练并准确地预测故障信息。

本发明的技术方案为：

步骤(1)、联邦学习任务初始化,对于工业图像检测任务初始化融合策略和网络结构；

步骤(2)、从工业监控设备中进行数据采集并使用数据预处理模块对数据进行数据增强和归一化处理；

步骤(3)、数据节点获取联邦学习任务并初始化模型训练环境,采用步骤(2)中处理后的数据进行模型训练，并采用实验集进行测试；

步骤(4)、步骤(3)中训练得到模型,传递到可信任节点采取任务初始化中的融合策略进行模型的融合；

步骤(5)、返回融合模型。

步骤(6)、如果模型的效果收敛且满足条件，达到工业场景的应用需求，则将步骤(5)的模型用于工业现场进行故障诊断,否则重复进行步骤(2)到步骤(6)；

本发明的有益效果：

(1)构建该联邦框架下的故障预测方法在实际中能准确的预测设备工业故障，从而提高设备运行质量；

(2)本方法通过联邦训练方式融合多个独立同分布的数据,降低了节点的训练负担,可以充分利用终端移动设备,同时提高了算法精度；

(3)通过采用联邦进行模型训练,保障了数据不会泄露从而使得工业隐私数据的安全,促使更多的工厂加入,进一步提高故障诊断的精度。