[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

说明书

本发明属于故障诊断领域，提供一种基于全局鲁棒加权的联邦域泛化故障诊断方法及系统，包括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；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；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；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。本发明的全局鲁棒加权策略在进行本地模型聚合时，不同本地模型的分类网络对不同本地模型的特征提取网络提取的特征进行分类，每个本地模型在进行聚合时的权重与分类结果有直接关系。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于全局鲁棒加权的联邦域泛化故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着工业数据数量日益增加，数据驱动的故障诊断方法得到了迅速发展。来自不同工况、不同设备之间的数据分布可能存在差异，这意味着不能保证仅依靠海量数据的堆积便能够训练出一个高鲁棒性的优秀模型，这便是迁移学习方法旨在解决的问题。

迁移学习可用于解决训练数据和测试数据存在特征空间差异的问题。域适应和域泛化是迁移学习中常用的两类方法。在域适应方法中，解决域偏移的中心思想是将源域数据和目标域数据进行特征空间对齐或对抗训练，这也就意味着在整个域适应方法的训练过程中，仍需要获取部分目标域的数据来进行上述操作。与域适应方法相比，域泛化并不需要获取目标域的任何信息，域泛化方法训练的模型可用于目标域数据不可见的情况。域泛化方法旨在综合利用多个源域之间的丰富信息以训练一个对未知测试数据具有强泛化性能力的模型，与域适应方法相比，域泛化方法更贴合实际状况下的故障诊断。近年来，域泛化的智能故障诊断方法已被广泛研究。现有技术中提出了一种对抗性相互信息引导的机械故障诊断单域泛化网络，并设计了故障诊断实验验证了其方法的可行性。还提出了一种对比域泛化方法，该方法通过最大化域相同信息，同时最小化域不同信息以提高训练模型的分类准确率。结合先验诊断知识和深度域泛化网络的故障诊断方案，从源域学习具有判别性和域不变的故障特征，并将所学知识泛化用于识别未见过的目标样本。

工业大数据为数据驱动故障诊断提供大量的样本训练数据。然而，随着人们对用户隐私和数据安全的关注度不断提高，聚合不同企业的工业数据训练深度学习故障诊断模型已不可行。目前而言，绝大多数的域泛化方法都直接将多个源域数据集进行聚合后再进行训练，然而这种方式存在着数据泄露的风险。联邦学习（Federated Learning，FL）利用分散在各个客户端上的本地数据集，以一种隐私保护技术融合数据特征信息，分布式的在中心服务器上完成全局模型的训练，整个过程中本地数据不会离开客户端，最大程度上保护了数据和用户隐私安全。而现有技术中的联邦学习异步更新方法，可以识别不同时间参与的客户端的网络参数，并将其应用于故障诊断领域。还有基于差异的加权联邦平均，通过不同源域和目标域之间的距离差异提出了一种加权策略，并进行了故障诊断实验。

然而目前现有的工作都只关注于提高模型在内部客户端的性能，而忽略了模型对联邦外不可见域的泛化能力。这是阻碍FL模型在实际应用中广泛应用的一个关键问题。

发明内容

为了解决上述问题，本发明提出了一种基于全局鲁棒加权的联邦域泛化故障诊断方法及系统，本发明整个训练以及测试过程中只有模型的相关参数以及提取的客户端数据特征在客户端和中心服务器中间进行交互，而没有本地数据直接的直接传输，最大程度上保护用户的数据隐私。同时在整个过程中，只最大程度利用多个包含丰富信息的源域数据集，并不对目标域数据集进行任何额外操作。本发明的提出了一种全局鲁棒加权策略，提出了一种以特征提取网络提取的特征作为信息传递介质，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的加权策略。在中心服务器对客户端模型聚合过程中，给予表现优异的模型更高的权重，限制那些表现差的模型，以提高聚合后模型的泛化能力和分类准确率。同时，引入最大均值差异（MMD）作为损失项减小不同源域数据之间的偏差，进一步提高模型的性能。