CN111143308B - 基于联邦学习的高低压电动机数据处理方法、系统及装置 - Google Patents

Abstract

本发明涉及一种基于联邦学习的高低压电机数据处理方法、系统和装置。方法包括：获取训练样本；训练模型类型确定后，启动内置于联邦计算节点装置的训练算法，提取特征独立训练；训练结果加密上传到云服务器上进行汇总计算，云服务器同态加密计算出平均梯度和各自的损失，并仍然以加密方式返回给各计算节点装置，解密后更新各装置模型，多次重复直至模型稳定。预测电机运行状态时根据最优模型，对传输到装置的实时波形数据进行预测对应的电机故障状态。本发明采用联邦学习的框架，能够较好地保护各个企业的隐私数据，同时提升模型训练的准确性。

Description

基于联邦学习的高低压电动机数据处理方法、系统及装置

技术领域

本发明涉及马达保护器的物联网应用领域，特别是一种基于联邦学习的高低压电动机数据处理方法、系统及装置。

背景技术

马达保护器的作用是对电机进行全面保护和控制。目前，马达保护器通常采集三相电流、三相电压以及电能质量等电参量数据，在电机出现过流、欠流、断相、堵转、短路、过压、欠压、漏电、三相不平衡、过热、接地、轴承磨损、定转子偏心时、绕组老化等问题时予以报警或切断电动机电源执行保护动作。

制造业等工业企业存在着大量的电动机，随着智能产业的升级，电动机的保护成为了企业的硬性需求。马达保护器往往通过采集各种电动机设备（包括低压电动机，各类风机、泵等，高压电动机）的三相电流和三相电压分析电机的运行状态。因此，理论上讲，企业能够通过分析马达保护器采集的各种数据对电机的运行状态进行分析。而且企业对电动机的故障保护要求日益强化，如何将不同的高低压电动机的数据进行有效利用，预测和分析电动机的实时故障状态成为了急需解决的问题。

但是，由于同一企业的数据样本较少，所能够提取的数据特征有限，而依靠有限的数据分析出的电机运行状态信息是不可靠的。因此，可以通过云服务器汇总各企业数据进行数据训练，然而这又导致两方面问题，一是由于原始数据量大，导致网络带宽压力大。二是云服务器汇聚各企业数据会导致企业的商业或技术信息泄露。随着国家和地方企业对于数据隐私的保护意识日益加强，数据不出本地进行分析成为了未来工业领域数据分析的趋势，因此，汇聚各企业数据存在很大的障碍。

发明内容

本发明的目的是提供基于联邦学习的高低压电动机数据处理方法、系统及装置。

本发明的方案包括：

一种基于联邦学习的高低压电动机数据处理方法，步骤如下：

获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

优选的，所述训练样本通过标定获取。

优选的，所述训练样本标定方法包括：操作人员发起人工巡检命令，联邦计算节点装置记录所述人工训练命令发出时刻的电压电流数据波形，同时将所述电压电流数据波形的有效值传输到企业中心服务器上进行备份，操作人员根据当时的电机状态，给出状态评估结果，同时该评估结果通过企业中心服务器发送给联邦计算节点装置，与所述电压电流数据波形组成一条有效的训练数据；中心服务器上的那条数据为索引数据。

优选的，所述原始数据特征包括标准差、方差、峰度，峭度以及RMS均方根值；同类电机的原始数据特征的种类相同。

优选的，所述训练结果包括梯度。

优选的，所述汇总计算的结果包括平均梯度。

优选的，所述模型训练指令还包括加密公钥；所述训练结果根据所述加密公钥进行加密上传。

优选的，所述预定标准包括：评价指标损失函数的损失值收敛或者达到预先设置的损失阈值。

一种基于联邦学习的高低压电动机数据处理系统，包括云服务器，各个企业的企业网络，企业网络中包括至少一个企业中心服务器和若干个联邦计算节点装置；

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；

训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

一种联邦计算节点装置，包括处理器和存储器，处理执行计算机程序以实现如下方法：

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

联邦计算节点装置根据云服务器发送的模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

联邦计算节点装置根据云服务器汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

本发明采用联邦学习的框架，能够较好地保护各个企业的隐私数据，同时提升模型训练的准确性。

附图说明

图1是本发明实施例的系统示意图；

图2是本发明实施例的单个车间网络构成图；

图3是本发明实施例的联邦计算节点装置示意图；

图4是前期准备工作与方法流程图。

具体实施方式

目前，许多制造企业，如化工、电力、冶金等行业，对电动机的故障保护要求日益强化，如何将不同的高低压电动机的数据进行有效利用，预测和分析电动机的实时故障状态成为了急需解决的问题。然而，面对数据孤岛化问题，各个企业既不愿意暴露自己的数据，同时还迫切需要提升自己数据模型的效率，联邦学习框架成为了解决该行业问题的有效手段。联邦学习，即联邦机器学习(Federated machine learning/Federated Learning)，是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。

基于此，本发明的基本构思是：各个生产企业拥有许多同种类型的高低压电动机，且各自都需要对其进行数据采集与状态分析，其获取到的样本特征基本相似，故可以借鉴横向联邦学习的训练思路进行设计，由于单个企业的各类电机样本较少，联合其他企业进行模型训练有助于提升模型训练效率，既可以有效解决实际工业环境中训练数据集数量和特征不足的问题，同时也有效地保护了各企业敏感数据隐私问题，为实际人工智能算法大规模在工业领域的落地提供了可能。

下面结合附图进行具体说明。

如图1所示，从系统层面，包括云服务器，企业中心服务器，联邦计算节点装置，马达保护器和传感器等。云服务器与若干个企业网络通讯连接；如图1中云服务器通讯连接了A企业网络、B企业网络等，乃至X企业网络。每个企业网络中，包括中心服务器和多个联邦计算节点装置，每个联邦计算节点装置，又连接多个马达保护器，每个马达保护器通过相应的传感器采集各种信息。

如图2所示，为了对马达保护器数据在就地端进行统一管理、存储和计算，在每个生产车间安装一个或多个针对工业现场定制化的联邦计算节点装置（如图2中的CAN管理机），具备抗电磁干扰、抗震防冲击、防水防尘、低功耗，每个联邦计算节点可以管理不少于20台马达保护器。

如图3所示，联邦计算节点装置包括通讯模块，存储模块，计算模块，加解密模块，多核低功耗CPU，加固模块。

通讯模块用于实现两种通讯，一是用于马达保护器到联邦计算节点装置之间的数据通讯，编码解码等，可以通过TCP/IP协议, Modbus协议，CAN总线等多种通讯方式进行数据通讯，对于马达保护器与联邦计算节点装置无法进行有线连接的地方，可以架设信号放大器通过4G模块进行数据通讯。二是用于联邦计算节点装置到企业中心服务器的数据通讯、命令传输，支持双向以太网传输，4G或GPRS无线传输，ZigBee等多种组网方式。

存储模块可弹性配置ROM容量，以适应联邦计算节点装置的配置。

计算模块可采用独立计算芯片进行设计，也可以利用装置自带的多核低功耗CPU进行计算。

加解密模块用于对计算结果进行同态加密，用于将结果传输至云服务器端进行汇总。

多核低功耗CPU为装置的核心，用于数据处理等多种功能。

加固模块为装置的外围硬件设计模块，借助密封、隔离、减震等多种手段达到抗电磁干扰、抗震防冲击、防水防尘等特性。

企业中心服务器为企业生产管理系统所使用的服务器，其包含了企业各个生产环节的监测数据和状态。本实施例中，企业中心服务器主要用于数据标定以及转发云服务器与联邦计算节点装置之间的交互数据。

不同于其他行业，工业领域高低压电动机样本数据及状态需要操作员人工标定。为了获取有效的训练样本，需要对样本数据进行标定。操作人员可通过该系统开发的移动APP，网页端或者电脑应用程序发起人工巡检命令，可针对任一台高低压电动机进行巡检。当命令发出时，联邦计算节点装置将会记录命令发出时刻的电压电流等数据波形，同时将波形的有效值传输到企业中心服务器上进行备份，操作人员根据当时的电机状态，给出状态评估结果作为标签，并通过移动APP，网页端或者电脑应用程序返回到企业中心服务器进行数据绑定，同时该评估结果（标签）也会通过企业中心服务器发送给联邦计算节点装置，与记录的波形组成一条有效的训练数据，存储于联邦计算节点装置内置数据库中；而中心服务器上的那条数据为索引数据，存储于中心服务器的索引数据库中。对于某个时间段的某个电机的电流电压数据，运维人员需要根据电机当时的状态打上标签，如正常，轴承故障，短路，松动等。这样一个有效的样本就产生了，因此，有效的样本就是电机数据加电机状态。该步骤确保了数据的有效性。多个企业共同训练数据，所有数据组合共享，训练样本将达到一个可观的数量，保证了训练模型的可靠性和准确性。同时，联邦学习的数据隐私保护也很好的解决了各企业共同建模带来的数据安全问题。

如图4所示，训练过程如下：

云服务器管理平台向各个企业中心服务器统一发送模型训练指令，模型训练指令包括模型类型，加密公钥等，再由各企业中心服务器转发给企业内联邦计算节点装置，每个联邦计算节点装置内置了各模型训练算法脚本；模型训练算法脚本包括：目前主流的机器学习和深度学习算法，如决策树，支持向量机，神经网络等。

联邦计算节点装置获得指令后，启动内置的训练算法，从内置的数据库中获取之前标定好的样本，各联邦计算节点装置根据模型类型开始提取原始数据特征，例如：包括标准差、方差、峰度，峭度以及RMS均方根值等，同类电机的原始数据特征的种类相同，并调用对应的模型训练算法进行训练，不同类型的高低压电动机数据独立训练，计算各自模型的梯度。各联邦计算节点装置利用自身的样本数据，训练一次模型，得到一次的梯度和损失。

各计算节点将不同类型的电动机数据的训练梯度根据云服务器上述模型训练指令中的加密公钥进行加密，上传到云服务器上。本实施例使用的加密方式为同态加密方式。

云服务器接收到不同类型电动机的加密梯度数据后，进行计算获取不同类型电动机的平均梯度，计算过程全部为同态加密计算，无法获取具体的明文数据。

服务器计算出平均梯度后，将其下发到各企业网络中，通过各企业中心服务器索引数据库找到对应的联邦计算节点装置。联邦计算节点装置根据服务器传来的平均梯度更新自身训练模型各阶次系数，得到更新后的模型，再次利用自身的样本数据按照更新后的模型进行计算，得到这一轮的损失和梯度，并且再次向云服务器上传，然后云服务器再次计算平均梯度、下发。

经历多轮迭代后，损失将随之下降，在损失收敛不再下降或者满足预先设置的一个损失阈值情况下，模型认为达到理想最优状态，即得到一个近似可以表示数据与电机状态对应关系的高次方程，模型训练过程结束。

最终模型确立后，立即投入使用。联邦计算节点装置实时获取电动机运行波形数据，不需要进行存储，通过训练好的模型预测当前电机的运行状态。

其中，上述的梯度和损失，是指：训练算法本质上是在构造一个高次方程，将输入数据和输出状态对应起来。每次训练是，输入数据到模型构造的高次方程里，得到的输出结果和该样本真实的输出结果必然存在差值，这就是损失，也就是评价指标损失函数的损失值。降低损失就意味着方程输出结果和真实结果越接近，预测状态就越准确。计算梯度就是解这个高次方程，通过梯度获得高次方程的各阶系数最优值，从而得到他的全局最小值，从而使损失降到最小。

其中，上述的模型达到理想状态的是，训练算法的评价指标损失函数收敛，或者到达一个设定的阈值范围，表明数据训练已经趋于最优或者人为设定的相对最优的状态了，训练过程可以终止。人工设置阈值范围是为了降低计算的复杂度，当损失函数不收敛震荡，或者收敛速度很慢时，预先设置的阈值能有效的减少迭代的次数，降低计算时间。关于梯度、评价指标损失函数、损失等均属于特定训练算法的固有参数，根据算法种类不同，所对应的具体形式各异。但这些设置均属于现有技术，是相关领域技术人员可以自由设计的。

其中，上述同态加密计算是一种数据加密方式，加密后的数据在不解密的情况下，可以直接进行加法和乘法操作，得到的结果依然是加密的数据，其解密后结果与原始数据进行运算得到的结果相同。同态加密计算属于现有技术，在此不再赘述。

如图4所示，训练算法前期准备工作包括，系统硬件搭建、系统软件开发以及训练样本标定。训练样本标定上文已经介绍了。系统硬件搭建包括传感器、马达保护器、联邦计算节点装置、企业中心服务器的搭建和调试。系统软件开发包括配套的移动APP客户端、网页端以及电脑应用程序等，电脑应用程序包括数据显示，故障记录等功能。

根据以上的说明可知，数据从训练开始到最终获得最优模型，并未离开过本地，却完成了多样本联合训练的效果，有效的保护了各企业数据隐私并提升了模型的效率。因此，本发明采用联邦学习的框架，能够较好地保护各个企业的隐私数据，消除了本文背景技术中所指的汇聚各企业数据的障碍，同时由于样本丰富，而且通过平均梯度不断修正模型，大大提升了模型训练的准确性。

Claims (10)

1.一种基于联邦学习的高低压电动机数据处理方法，其特征在于：步骤如下：

获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

2.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练样本通过标定获取。

3.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练样本标定方法包括：操作人员发起人工巡检命令，联邦计算节点装置记录所述人工训练命令发出时刻的电压电流数据波形，同时将所述电压电流数据波形的有效值传输到企业中心服务器上进行备份，操作人员根据当时的电机状态，给出状态评估结果，同时该评估结果通过企业中心服务器发送给联邦计算节点装置，与所述电压电流数据波形组成一条有效的训练数据；中心服务器上的那条数据为索引数据。

4.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述原始数据特征包括标准差、方差、峰度，峭度以及RMS均方根值；同类电机的原始数据特征的种类相同。

5.根据权利要求4所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述训练结果包括梯度。

6.根据权利要求5所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述汇总计算的结果包括平均梯度。

7.根据权利要求1所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述模型训练指令还包括加密公钥；所述训练结果根据所述加密公钥进行加密上传。

8.根据权利要求6所述的基于联邦学习的高低压电动机数据处理方法，其特征在于：所述预定标准包括：评价指标损失函数的损失值收敛或者达到预先设置的损失阈值。

9.一种基于联邦学习的高低压电动机数据处理系统，其特征在于：包括云服务器，各个企业的企业网络，企业网络中包括至少一个企业中心服务器和若干个联邦计算节点装置；

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；

训练样本存储于联邦计算节点装置中；

云服务器向各个企业中心服务器发送模型训练指令，模型训练指令包括训练模型类型；

各企业中心服务器将所述模型训练指令转发给企业内部的联邦计算节点装置；

联邦计算节点装置根据所述模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；云服务器进行汇总计算，通过企业中心服务器向联邦计算节点装置发送汇总计算的结果；

联邦计算节点装置根据所述汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

10.一种联邦计算节点装置，包括处理器和存储器，其特征在于：处理执行计算机程序以实现如下方法：

联邦计算节点装置获取训练样本，所述训练样本包括电机数据与电机状态；训练样本存储于联邦计算节点装置中；

联邦计算节点装置根据云服务器发送的模型训练指令，启动内置的训练算法，从训练样本中提取相应原始数据特征并进行训练；将训练结果加密上传到云服务器；

联邦计算节点装置根据云服务器汇总计算的结果更新其自身的训练模型；

重复上述步骤，经过多轮迭代后，各联邦计算节点装置的训练模型效果达到预定标准，得到最优模型；

联邦计算节点装置根据实时电机数据波形，利用所述最优模型，预测当前电机运行状态。

Images