[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

说明书

本发明属于计算机应用技术领域，具体公开一种基于联邦学习的制造业装备故障监测模型训练方法，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和故障诊断结果通知，并将维修信息及时上传至数据云端，形成智能服务闭环。

技术领域

本发明属于计算机应用技术领域，具体地说涉及一种基于联邦学习的制造业装备故障监测模型训练方法。

背景技术

随着计算机技术的发展，越来越多的技术应用在制造业领域，通过现场采集制造业装备的历史运行状态数据，并筛选出正常运行的历史数据得到正常状态数据集，进一步构建制造业装备的故障监测模型并利用正常状态数据集进行模型训练，最后使得训练后的故障监测模型可以实时从数据库中获取制造业装备的数据并进行故障甄别。在现有技术中，故障监测模型主要利用装备的历史数据进行模型训练，并通过增加训练次数、修改模型参数以提高监测模型的精确率。但是，当装备的数据量较少时，会因缺少数据而导致模型训练的精确率不高，另外，对于具有隐私性的装备数据，无法进行现场集中采集，从而难以获取更多的装备数据。

在保护装备数据隐私的条件下，为了提高故障监测模型的准确率，需要使用大量的数据进行模型训练，但是，当装备的数据涉及用户隐私时，无法获取更多的设备数据进行集中训练模型。目前，在保障制造业装备的数据隐私性和安全性的条件下，对制造业装备数据的获取变得越来越困难，导致现有故障监测模型存在模型精确度较低的问题，这使得上述模型训练方式面临着极大的挑战。

因此，现有技术还有待于进一步发展和改进。

发明内容

针对现有技术的种种不足，为了解决上述问题，现提出一种基于联邦学习的制造业装备故障监测模型训练方法。本发明提供如下技术方案：

一种基于联邦学习的制造业装备故障监测模型训练方法，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。

进一步的，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。

进一步的，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。

进一步的，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。