[发明专利]一种基于联邦学习的工业数据联合建模方法及系统

说明书

本发明涉及一种基于联邦学习的工业数据联合建模方法及系统，方法包括：客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；中控服务器向各个客户端发起联合建模任务请求；客户端收到建模任务请求后，将局部模型的参数发送给中控服务器；中控服务器对来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能。

技术领域

本发明涉及计算机学习技术领域，尤其涉及一种基于联邦学习的工业数据联合建模方法及系统。

背景技术

工业数据是在工业领域信息化应用中产生的数据，其可以反映机器设备的运行情况，因此可以通过分析工业数据对机器设备的运行进行监控及控制。

随着机器学习的快速发展，机器学习被应用于各个领域，例如，数据挖掘、数据分类、图像识别等。在实际应用中，对机器学习模型进行训练的过程可能需要大量的样本数据，但工业数据可能来源于多个客户端，常规进行模型训练很难达到较好的效果。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于联邦学习的工业数据联合建模方法及系统，考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能；同时解决了一个客户端的本地数据可能不足以支持建模的训练过程的问题。

根据本发明的第一方面，提供了一种基于联邦学习的工业数据联合建模方法，包括：

步骤1，各个持有工业数据的客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；

步骤2，中控服务器向各个所述客户端发起联合建模任务请求；

步骤3，所述客户端收到所述建模任务请求后，将所述局部模型的参数发送给所述中控服务器；

步骤4，所述中控服务器对收到的来自多个所述客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个所述客户端。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述步骤1包括：

获取设定时间范围内的工业变量数据x_n与同一时间的质量数据y_n组成有标签样本集{(x₁；y₁)……(x_n；y_n)……(x_N；y_N)}，n和N分别表示工业变量数据的序号数和总数，n∈{1，N}。

可选的，所述步骤1中采用联邦线性算法训练本地的局部模型，目标函数为：

其中，ω表示模型的参数，L为模型的损失函数。

可选的，所述中控服务器向所述客户端发送对所述全局模型的参数进行加密后的数据；

所述客户端对所述局模型的参数进行解密后，根据所述目标函数计算损失，加密后回传给所述中控服务器。

可选的，所述中控服务器收到来自所述客户端的局部模型的参数后，对其进行质量判断，符合要求后再进行聚合操作。

可选的，所述中控服务器对全局模型的参数进行更新后，评估更新后的模型性能，当性能满足设定要求时终止整个训练过程。