[发明专利]基于联邦学习和LSTM的刀具剩余寿命预测方法及系统

权利要求书

1.一种基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，包括：

对目标刀具的当前运行数据进行统计特征提取，得到所述目标刀具的当前统计特征，并根据所述当前统计特征，确定输入信息；

将所述输入信息输入至基于联邦学习训练的预测模型中，获取所述目标刀具的剩余寿命预测值；

其中，所述预测模型是基于多个客户端中的样本刀具的历史运行数据和所述样本刀具的剩余寿命实际值，以及所述多个客户端中的有序长短期记忆网络ON-LSTM进行联邦学习训练得到的。

2.根据权利要求1所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，所述预测模型是基于如下步骤进行训练得到的：

对于当前轮模型训练，分别获取每一客户端在所述当前轮模型训练过程中得到的ON-LSTM的局部模型参数；所述局部模型参数是由所述每一客户端，基于上一轮模型训练获取的聚合模型参数，以及所述每一客户端中的样本刀具的历史运行数据和所述样本刀具的剩余寿命实际值，对所述每一客户端中的ON-LSTM进行迭代训练获取的；

对所述多个客户端的所述局部模型参数进行聚合更新，得到所述当前轮模型训练对应的ON-LSTM的聚合模型参数；

将所述当前轮模型训练对应的聚合模型参数发送至每一客户端，迭代执行模型训练步骤，直到每一客户端中ON-LSTM的模型性能满足目标性能；

根据每一客户端在最后一轮模型训练过程中获取的ON-LSTM的局部模型参数，构建所述预测模型。

3.根据权利要求2所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，所述对所述多个客户端的所述局部模型参数进行聚合更新，得到所述当前轮模型训练对应的ON-LSTM的聚合模型参数，包括：

从所述多个客户端中，随机选择目标数量的客户端；

对所述目标数量的客户端的局部模型参数进行聚合更新，得到所述聚合模型参数。

4.根据权利要求1-3任一所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，所述根据所述当前统计特征，确定输入信息，包括：

计算所述样本刀具的历史运行数据对应的历史统计特征中各子特征的重要性参数，并根据所述重要性参数，在所述历史统计特征中筛选出目标子特征；

在所述当前统计特征中，选择与所述目标子特征匹配的子特征；

根据选择结果，确定所述输入信息。

5.根据权利要求4所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，所述重要性参数包括重要性排名和相关性系数；

所述计算所述样本刀具的历史运行数据对应的历史统计特征中各子特征的重要性参数，并根据所述重要性参数，在所述历史统计特征中筛选出目标子特征，包括：

基于XGBoost，对所述历史统计特征中各子特征进行重要性排序，得到所述历史统计特征中各子特征的重要性排名；

从所述历史统计特征中，提取出重要性排名靠前的多个候选子特征；

基于皮尔逊相关性算法，计算各候选子特征与所述样本刀具的剩余寿命实际值之间的相关系数；

将所述相关系数大于预设阈值的候选子特征，作为所述目标子特征。

6.根据权利要求4所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，所述根据选择结果，确定所述输入信息，包括：

根据所述选择结果，获取所述当前统计特征中与所述目标子特征匹配的子特征；

对所述当前统计特征中与所述目标子特征匹配的子特征进行预处理；所述预处理包括归一化处理；

根据预处理结果，确定所述输入信息。

7.根据权利要求1-3任一所述的基于联邦学习和LSTM的刀具剩余寿命预测方法，其特征在于，对目标刀具的当前运行数据进行统计特征提取，得到所述目标刀具的当前统计特征，包括：

对所述当前运行数据进行时域统计特征提取和频域统计特征提取，得到特征提取结果；

根据所述特征提取结果，获取所述当前统计特征。