[发明专利]基于全局鲁棒加权的联邦域泛化故障诊断方法及系统

权利要求书

1.基于全局鲁棒加权的联邦域泛化故障诊断方法，其特征在于，包括：

中心服务器初始化全局模型并将其发送给所有源域客户端；

每个所述源域客户端利用本地源域训练数据集训练接收到全局模型，并更新参数以形成新的本地模型；

所述源域客户端将更新后的本地模型、提取的网络特征以及标签发送给中心服务器；

所述中心服务器基于提取的网络特征，以不同分类器对不同特征的分类结果为性能度量，并以分类损失计算权重进行模型聚合；

所述中心服务器将聚合后的全局模型发送到目标域客户端进行故障诊断。

2.如权利要求1所述的基于全局鲁棒加权的联邦域泛化故障诊断方法，其特征在于，所述每个所述源域客户端利用本地源域训练数据集训练接收到全局模型，并更新参数以形成新的本地模型，具体为：

步骤1：模型下载；假设有N个源域数据集，拥有这些数据集的源客户端分别表示为；每个客户端在开始时将全局模型下载并作为本地模型；

步骤2：前向传播；每个客户端进行前向传播，提取源域数据集的特征并计算；其中，代表本地客户端模型k的分类损失；

步骤3：计算；由于源域数据集仅在本地模型中可见，因此在计算的过程中，从每个源域数据集中提取的特征需要传递到中心服务器上；考虑到域泛化问题中往往存在多个源域而不是两个源域，定义为：

；

；

其中，、分别代表第s、t个客户端上的源域数据集，、分别代表第s、t个客户端上的源域数据集在第T个epoch时特征提取网络提取到的第f₁、f₂个特征，N代表总的源域客户端的个数，a、b分别代表、的个数；

步骤4：反向传播；由每个客户端下载，并按照如下公式计算以进行后续的本地模型反向传播；

；

其中，α是的参数，在本文中，，是客户端k的本地模型损失值，k为客户端序号，T为第T个epoch，的作用是约束多个源域之间的距离；

计算完成后，对本地源域客户端模型进行反向传播，得到参数更新后的本地客户端模型。

3.如权利要求2所述的基于全局鲁棒加权的联邦域泛化故障诊断方法，其特征在于，所述代表本地客户端模型k的分类损失，具体为：

；

其中，代表数据样本j的真实标签，而是模型的预测结果。

4.如权利要求1所述的基于全局鲁棒加权的联邦域泛化故障诊断方法，其特征在于，所述中心服务器基于提取的网络特征，以不同分类器对不同特征的分类结果为性能度量，并以分类损失计算权重进行模型聚合，具体为：

基于更新参数后的模型、特征及其对应的标签上传到中心服务器，以计算每个模型的全局鲁棒权重；

在获得每个客户端的全局鲁棒权重后，进行模型聚合，得到聚合后的全局模型。

5.如权利要求4所述的基于全局鲁棒加权的联邦域泛化故障诊断方法，其特征在于，所述全局鲁棒权重，具体为：

；

；

其中，为特征个数，是第i个客户端的本地模型对第l个本地客户端提取特征的分类损失，当只有两个客户端时，所有项均与每个客户端都有关，此时以为模型的性能度量进行加权；由于此时仅有两个客户端，故此时；是特征的真实标签，是第p个模型的分类器对特征的分类结果，N是总的源域客户端的个数。