[发明专利]基于联邦学习的TBM滚刀故障诊断模型构建方法

说明书

本发明公开一种基于联邦学习的TBM故障诊断诊断模型构建方法，建立了位于中心服务器的故障诊断模型，以及位于各客户的客户端，训练模型时客户端接收来自服务器的故障诊断模型，并用本地数据对模型进行训练，将梯度信息反馈回服务器，服务器端接收梯度信息并选择出一组使模型更具有泛用性的梯度信息来更新模型，完成一次模型的更新迭代，重复迭代过程以最终获得最优模型。本发明在保证不打破隐私协议的基础上，解决了各TBM运维组织故障数据少、故障诊断难的问题，打破了数据孤岛，具有可靠性高、实用性强的特点。

技术领域

本发明涉及TBM故障诊断领域，尤其涉及一种基于联邦学习的TBM故障诊断模型构建方法。

背景技术

TBM是隧道挖掘的关键设备，通过刀盘转动挤压岩石使其破裂来实现掘进，其中刀盘上安装有众多滚刀，刀盘旋转时滚刀在岩壁上按照不同半径的同心圆轨迹运动，不同滚刀的受力状况不同，失效形式和时间也不一样，在复杂的地下挖掘环境中又难以安装大量传感器对滚刀进行直接检测，因此对滚刀的故障检测是一个复杂而困难的过程。

常见的故障检测方法是在刀盘正面安装一个压力传感器，根据压力传感器得到的结果估计滚刀的磨损程度以及是否可能出现故障，压力传感器在施工过程中容易被损坏，故障的诊断需要依靠经验丰富的专业人员靠经验进行判断，且对于故障类型仅能进行简单的估计，这种方法具有可靠性低、稳定性差的缺点，故仅依靠传感器进行TBM故障的检测是不可靠的。同时，TBM施工过程中会产生大量施工数据，施工数据中包含众多关键信息，这些隐藏的信息将对TBM的故障检测具有指导作用，如不加以利用将导致信息的浪费，因此，基于数据驱动的TBM故障检测方法需要挖掘数据内部隐藏的信息，更加高精度、高速度地进行故障检测。

在实际施工过程中，发生故障的场合往往处于少数，因此TBM的运行历史数据中正常运行状态数据将远远多于故障数据，如果直接应用这些数据进行机器学习，由于训练数据的类别不平衡，训练出的模型往往无法达到很高的预测精度；在不同的隧道挖掘过程中，故障的类型往往也不尽相同，因此可以认为每几条隧道施工的历史数据中就会出现不同的故障类型，而出于隐私保护等因素考虑，各公司不会将这些数据对外开放，于是每个公司都有各自的数据，公司之间的数据各自存储各自定义，数据就像孤岛一般相互难以连接互动，利用各自的数据所能诊断的故障也各有不同，这种问题又被称为数据孤岛问题。

发明内容

本发明针对TBM故障数据类型不均衡、数据孤岛问题，提出一种基于联邦学习的TBM故障诊断方法，采用如下技术方案予以实现：一种基于联邦学习的TBM故障诊断模型构建方法，其特征在于包括：

A.在服务器端建立故障诊断模型；

B.在各客户端收集TBM运行的施工数据，并对数据进行去除空推数据预处理、去除噪声预处理、归一化预处理及数据聚合预处理，随后对数据进行预训练；

C.将预处理训练后的数据按照9：1划分训练集和测试集，使用训练集训练模型，使用测试集测试模型的性能并其做出评价，一轮迭代结束后获得模型中间训练信息，并使用本地测试集对迭代后的模型进行评价，并将模型梯度信息、训练数据数目及其评价结果上传给服务器端；

D.服务器端在第一轮迭代时，统计各客户端所消耗的时间，按照比例将其划分为两部分，第一部分为训练速度较快的客户端集，第二部分为训练速度较慢的客户端集，然后分别从第一部分和第二部分客户端上传的梯度信息集中剔除评价结果最差的一组模型梯度信息，使用其他组梯度构建新的全局梯度信息获得新的模型数据；

E.服务器端将新获得的模型数据发送给各客户端，重复上述迭代步骤直到到达预先设计的最大迭代次数，迭代结束，客户端处的模型即为全局最优模型。

进一步地，所述步骤E中在重复迭代时，服务器每次迭代分别剔除第一部分客户端和第二部分客户端中评价结果最差的一组模型梯度信息，使用其他组梯度信息构建新的全局梯度，并在聚合时额外给第二部分客户端的梯度信息分配一个权重，获得新的模型数据。