CN113033624A - 一种基于联邦学习的工业图像故障诊断方法 - Google Patents
一种基于联邦学习的工业图像故障诊断方法 Download PDFInfo
- Publication number
- CN113033624A CN113033624A CN202110250167.3A CN202110250167A CN113033624A CN 113033624 A CN113033624 A CN 113033624A CN 202110250167 A CN202110250167 A CN 202110250167A CN 113033624 A CN113033624 A CN 113033624A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- federal learning
- industrial
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于联邦学习的工业图像故障诊断方法,包括如下步骤:联邦学习任务初始化,选择融合策略和初始化网络结构;接下来进行数据采集,从工业监控设备采集数据并进行数据增强和数据归一化;初始化网络训练环境,对于深度学习模型输入图像数据进行模型训练;对训练得到的模型传递到可信赖的节点,并采用指定融合策略进行模型融合;融合模型的下发,并且继续训练,确保模型收敛满足准确率的需求;然后根据训练模型进行工业图像的故障诊断。基于联邦学习的工业图像故障诊断方法,将联邦学习、深度学习方法和工业图像故障诊断相结合,并通过联邦学习聚合更多的数据用于训练,提高准确率的同时加快保障了数据安全性。
Description
技术领域
本发明涉及工业互联网领域、工业图像故障诊断、深度学习和联邦学习,具体涉及到一种基于联邦学习的工业图像故障诊断方法。
背景技术
基于联邦学习的工业图像故障诊断方法主要基于目标检测故障诊断方法,采用联邦学习分布式学习的思想引入多个工厂节点的数据,共同作用完成故障诊断模型的构建。随着联邦学习的迅猛发展,其在数据安全、数据隐私和应用范围均得到了极大提升,不但充分保障了数据安全同时能快速和准确地完成模型训练;且联邦学习与深度学习结合,在图像识别、目标检测和自然语言处理等领域大量应用和取得较好的精确度;近年来最接近本发明的技术有:
(1)、基于Faster RCNN模型的故障诊断:Faster RCNN模型为目标检测领域的优秀算法,是由任少卿(Shaoqing Ren)和何凯明(Kaiming He)等人于2015年提出两阶段目标检测算法。尽管该方法在工业图像故障检测中有不错的表现,但是由于其模型参数量众多,该方法的实时性低下,同时由于算法本身缺陷,该方法在小物体检测效果差。使得该方法在工业图像故障诊断中表现欠佳。
随着工业4.0时代的到来,智能制造发展迅速,制造业智能化水平的提升,建设可适应的、高资源效率及具有基因工程学的智慧工厂,在安全生产的同时尽可能的提高生产效率。本方法采用基于联邦学习和深度神经网络方法能准确的诊断出图像中的故障信息。该方法通过准确的检测工业故障,从而提高设备运行的稳定性;通过联邦学习聚合更多的数据进行训练使得算法准确率大大提升;
发明内容
为解决现有技术中的缺点和不足,本发明提出了一种基于联邦学习的工业图像故障诊断方法,通过采用目标检测神经网络和联邦学习和方法,保证数据的安全性,提取图像特征并进行检测与故障类别分类;通过联邦学习方式训练,聚合多个节点数据训练并准确地预测故障信息。
本发明的技术方案为:
步骤(1)、联邦学习任务初始化,对于工业图像检测任务初始化融合策略和网络结构;
步骤(2)、从工业监控设备中进行数据采集并使用数据预处理模块对数据进行数据增强和归一化处理;
步骤(3)、数据节点获取联邦学习任务并初始化模型训练环境,采用步骤(2)中处理后的数据进行模型训练,并采用实验集进行测试;
步骤(4)、步骤(3)中训练得到模型,传递到可信任节点采取任务初始化中的融合策略进行模型的融合;
步骤(5)、返回融合模型。
步骤(6)、如果模型的效果收敛且满足条件,达到工业场景的应用需求,则将步骤(5)的模型用于工业现场进行故障诊断,否则重复进行步骤(2)到步骤(6);
本发明的有益效果:
(1)构建该联邦框架下的故障预测方法在实际中能准确的预测设备工业故障,从而提高设备运行质量;
(2)本方法通过联邦训练方式融合多个独立同分布的数据,降低了节点的训练负担,可以充分利用终端移动设备,同时提高了算法精度;
(3)通过采用联邦进行模型训练,保障了数据不会泄露从而使得工业隐私数据的安全,促使更多的工厂加入,进一步提高故障诊断的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于联邦学习的工业图像故障诊断方法的结构图;
图2为本发明基于联邦学习的工业图像故障诊断方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,基于联邦学习的工业图像故障诊断方法的流程图包含七个模块:数据采集预处理器、任务创建器、网络初始化器、模型训练器、模型融合器模型预测器、模型分发器和模型接收器。
下面结合图1与图2,对基于联邦学习的工业图像数据故障诊断方法的具体流程进行详细说明:
步骤(1)、联邦学习任务初始化,对于工业图像检测任务初始化融合策略和网络结构,在任务初始化过程采用FedAvg平均融合策略进行模型融合;
步骤(2)、从工业监控设备中进行数据采集并使用数据预处理模块对数据进行数据增强和归一化处;
步骤(3)、数据节点获取联邦学习任务并初始化模型训练环境,采用步骤(2)中处理后的数据进行模型训练,并采用实验集进行测试;
步骤(4)、步骤(3)中训练得到模型,传递到可信任节点采取任务初始化中的融合策略进行模型的融合;
步骤(5)、返回融合模型。
步骤(6)、如果模型的效果收敛且满足条件,达到工业场景的应用需求,则将步骤(5)的模型用于工业现场进行故障诊断,否则重复进行步骤(2)到步骤(6);
本发明的基于联邦学习的工业图像故障诊断方法,通过把神经网络、目标检测算法、联邦学习和工业图像故障诊断结合,该方法能保障数据安全与数据隐私的同时学习工业图像数据中故障特征,避免了对于数据隐私问题造成的数据孤岛问题。在通过联邦学习融合多个独立同分布的数据,降低了节点的训练负担,充分利用终端移动设备,提高了算法精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于联邦学习的工业图像故障诊断方法,其特征在于,数据采集预处理器、任务创建器、网络初始化器、模型训练器、模型融合器模型预测器、模型分发器和模型接收器七个模块,包括以下步骤:
步骤(1)、联邦学习任务初始化,对于工业图像检测任务初始化融合策略和网络结构,在任务初始化过程采用FedAvg平均融合策略进行模型融合;
步骤(2)、从工业监控设备中进行数据采集并使用数据预处理模块对数据进行数据增强和归一化处;
步骤(3)、数据节点获取联邦学习任务并初始化模型训练环境,采用步骤(2)中处理后的数据进行模型训练,并采用实验集进行测试;
步骤(4)、步骤(3)中训练得到模型,传递到可信任节点采取任务初始化中的融合策略进行模型的融合;
步骤(5)、返回融合模型。
步骤(6)、如果模型的效果收敛且满足条件,达到工业场景的应用需求,则将步骤(5)的模型用于工业现场进行故障诊断,否则重复进行步骤(2)到步骤(6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250167.3A CN113033624A (zh) | 2021-03-08 | 2021-03-08 | 一种基于联邦学习的工业图像故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250167.3A CN113033624A (zh) | 2021-03-08 | 2021-03-08 | 一种基于联邦学习的工业图像故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033624A true CN113033624A (zh) | 2021-06-25 |
Family
ID=76466694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110250167.3A Pending CN113033624A (zh) | 2021-03-08 | 2021-03-08 | 一种基于联邦学习的工业图像故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033624A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673696A (zh) * | 2021-08-20 | 2021-11-19 | 山东鲁软数字科技有限公司 | 一种基于强化联邦学习的电力行业起重作业违章检测方法 |
CN114782738A (zh) * | 2022-03-25 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、系统、可读介质及电子设备 |
CN114782738B (zh) * | 2022-03-25 | 2024-06-25 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-03-08 CN CN202110250167.3A patent/CN113033624A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673696A (zh) * | 2021-08-20 | 2021-11-19 | 山东鲁软数字科技有限公司 | 一种基于强化联邦学习的电力行业起重作业违章检测方法 |
CN113673696B (zh) * | 2021-08-20 | 2024-03-22 | 山东鲁软数字科技有限公司 | 一种基于强化联邦学习的电力行业起重作业违章检测方法 |
CN114782738A (zh) * | 2022-03-25 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN114782738B (zh) * | 2022-03-25 | 2024-06-25 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、系统、可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116030B (zh) | 一种基于向量标准化和知识蒸馏的图像分类方法 | |
CN112649198B (zh) | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN113033624A (zh) | 一种基于联邦学习的工业图像故障诊断方法 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN110040594B (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
CN112560981B (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN112541529A (zh) | 表情与姿态融合的双模态教学评价方法、设备及存储介质 | |
CN111862065B (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN113037783B (zh) | 一种异常行为检测方法及系统 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN113033772A (zh) | 一种基于联邦学习的多设备状态监测方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN113837268B (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
CN114241423A (zh) | 一种河道漂浮物智能检测方法及系统 | |
Shen et al. | SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN111914600A (zh) | 一种基于空间注意力模型的群组情绪识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |