[发明专利]一种基于联邦学习的制造业装备故障监测模型训练方法

权利要求书

1.一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，包括：

获取各装备的运行状态数据，并对运行状态数据进行预分析；

各装备基于预分析后的运行状态数据进行各自本地故障检测模型训练，将训练后的本地故障监测模型参数发送给聚合服务器，聚合服务器通过加权平均聚合各本地故障监测模型参数，生成全局故障监测模型参数并发送给各装备，各装备接收后更新本地故障监测模型，继续利用本地运行数据重复训练模型，直至全局故障监测模型收敛，模型训练结束；

将训练好的故障监测模型应用在各装备，对装备的运行状态进行实时监测，并将故障诊断结果实时通知到现场检修人员的手持终端或自动控制设备，并将维修信息及时上传至数据云端，形成智能服务闭环。

2.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，将训练后的本地故障监测模型参数通过同态加密后发送给聚合服务器，聚合服务器分别解密各本地故障监测模型参数。

3.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，所述同态加密算法包括：每个装备和聚合服务器都具有相同的公私钥，则有F(E(x),E(y))＝E(xΘy)，其中，F为同态加密算法，x和y是明文空间M中的元素，Θ为M上的运算，E(·)是M上密钥空间为k的加密函数，即对数据x和y加密后运算的结果与x和y运算后再加密的结果是相同的。

4.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对运行状态数据进行预分析的方法包括：

采集制造业装备的历史运行数据，对所述制造业装备历史运行数据进行预处理，其中，预处理包括对所述装备历史数据进行清洗，剔除异常、缺失的样本数据；

对预处理后的历史运行数据构建装备运行时间序列数据；

对所述装备运行时间序列数据进行归一化处理。

5.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对预处理后的历史运行数据构建装备运行时间序列数据方法包括：对经过预处理后的历史运行数据按每时段统计，并按时间顺序构建装备运行时间序列数据。

6.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对所述装备运行时间序列数据进行归一化处理方法包括：

获取装备运行时间序列数据中的最大值和最小值；

对每个时段的装备运行时间序列数据归一化在0-1之间，归一化公式为其中x'为归一化后的值，x为装备运行数据时间序列数据的实际值，x_min为装备运行数据时间序列数据中的最小值，x_max为装备运行数据时间序列数据中的最大值。

7.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，聚合服务器通过加权平均聚合各本地故障监测模型参数的方法包括：聚合服务器在接收到所有装备的本地故障监测模型参数后，解密所有本地故障监测模型参数，基于加权平均法聚合所有本地故障监测模型参数，得到全局故障监测模型参数并建立全局故障监测模型；

其中，聚合本地故障监测模型参数的加权平均法公式为其中，w为聚合后的全局故障监测模型参数，w_i为装备i的本地故障监测模型参数，p_i为本地故障监测模型参数w_i的权重值，n_i为装备i的本地训练数据的数量，n为所有装备的本地训练数据的总数量。

8.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，所述全局故障监测模型收敛的判断方法包括：对建立的全局故障监测模型进行检测，通过测试数据计算预测误差值判断全局故障模型是否收敛，若未收敛，聚合服务器将全局故障监测模型参数加密后发送给各装备，各装备解密全局故障监测模型参数并更新本地故障监测模型参数，继续迭代训练，直到全局故障监测模型收敛。