CN113033772A - 一种基于联邦学习的多设备状态监测方法 - Google Patents
一种基于联邦学习的多设备状态监测方法 Download PDFInfo
- Publication number
- CN113033772A CN113033772A CN202110253451.6A CN202110253451A CN113033772A CN 113033772 A CN113033772 A CN 113033772A CN 202110253451 A CN202110253451 A CN 202110253451A CN 113033772 A CN113033772 A CN 113033772A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- node
- training
- federal learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于联邦学习的多设备状态监测方法，包括如下步骤：多节点设备数据采集；数据预处理清理异常值并标准化；子节点模型训练；子模型上传；中心节点模型融合；中心节点模型下发子节点；根据训练模型进行设备状态预测。当有新的子节点加入联邦学习网络中时，为了减少重新训练的时间消耗，由中心节点下发当前模型至该子节点加入训练。本发明提出的基于联邦学习的多设备状态监测方法，引入联邦学习的机制提高多节点模型训练的准确率和泛化性，同时有效保证训练数据安全。
Description
技术领域
本发明涉及工业互联网、物联网、联邦学习、设备状态监测，具体涉及到一种基于联邦学习的多设备状态监测方法。
背景技术
设备运行状态监测指的是对运行设备，运用各种手段和人的五官感觉进行数据和信号采集，分析判定设备劣化趋势和故障部位、原因并预测变化发展。随着人工智能技术的迅猛发展，将人工神经网络模型应用于设备故障监测具有很大优势，它能够在海量数据中挖掘有价值的信息，根据训练数据的故障标签对新数据作预测，判断设备运行状态。联邦学习方法能够在具有同种特征的设备之间展开模型的联合训练，扩充了数据规模，并能够增强模型在设备之间迁移应用的泛化能力。近年来最接近本发明的技术有：
(1)、LSTM模型：LSTM全称为长短期记忆人工神经网络(Long Short-TermMemory)，是为解决循环神经网络中存在的长期依赖问题而提出的。LSTM中的遗忘门可以将价值较少的信息丢弃，因此能够搭建超大规模网络或记忆超长时间跨度信息。但LSTM的计算代价大，在工业的边缘设备中部署困难，同时其对时间特征以外的数据特征提取能力有限，更加剧了计算开销的上升。
近年来，工业4.0旨在提升制造业的智能化水平，建立具有全方位、全天候、全流程管控能力的智慧工厂，在安全生产的同时尽可能的提高生产效率。本方法采用联邦学习的框架，结合卷积神经网络模型、长短期记忆人工神经网络模型、图卷积神经网络模型的训练，实现准确预测工厂中多台设备的运行状态。该方法通过准确判断设备工况，从而指导设备的生产调节、运行维护流程，通过联邦学习对模型的联合训练提高多节点设备的监测准确率，提高泛化能力，多种模型联合应用，以应对工厂不同类设备的复杂状况。
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多设备状态监测方法，通过联邦学习框架对同类型设备联合训练，子节点获取的数据经预处理后在各节点训练子模型，并上传到中心节点；中心节点对子节点的模型进行筛选融合，得到中心模型并下发到各子节点继续训练；子节点使用训练后的模型对各子节点对应设备的运行状态进行监测。
本发明的技术方案为：
步骤(1)：子节点的数据通过数据预处理模块进行清洗，剔除空数据、无效数据和重复数据；
步骤(2)：预处理完毕的数据在各自子节点进行模型训练；
步骤(3)：将步骤(2)训练得到的模型上传到中心节点，中心节点根据子节点模型的效果进行筛选并融合；
步骤(4)：中心节点融合的模型回传到各子节点，子节点根据中心节点模型继续训练；
步骤(5)：子节点使用训练的模型对设备运行状态进行监测，分析故障情况。
本发明的有益效果：
(1)使用联邦学习方法，扩充模型训练的数据量，提高监测准确度，增强模型在设备之间的泛化能力；
(2)使用的联邦学习方法支持多种人工神经网络，灵活性强，有效应对复杂的工业数据；
(3)采用同态加密方法保证模型传递过程的数据隐私安全。
附图说明
为更清楚地说明本发明实施例或现有技术中的技术方案，以下部分将对实施例或现有技术描述中所需要使用的附图作简要介绍。描述中的附图仅代表本发明的部分实施例，对于本领域普通技术人员，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多设备状态监测方法的流程图；
图2为本发明基于联邦学习的多设备状态监测方法中子节点模型训练与上传的详细流程图。
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。
下面结合图1与图2，对基于联邦学习的多设备状态监测方法的具体流程进行详细说明：
步骤(1)：子节点的数据通过数据预处理模块进行清洗，剔除空数据、无效数据和重复数据，如需要抽取数据的特征增强训练效果，在本步骤中可使用卷积神经网络方法对数据特征进行抽取；
步骤(2)：预处理完毕的数据在各自子节点进行模型训练，根据设备数据的特征，使用长短期神经网络或图卷积神经网络进行训练；
步骤(3)：将步骤(2)训练得到的模型上传到中心节点，中心节点根据子节点模型的效果进行筛选并融合；
步骤(4)：中心节点融合的模型回传到各子节点，子节点收到中心节点下发的模型之后，与当前模型进行比较，根据效果决定训练中心模型还是子模型，并进入下一轮的子节点训练过程；
步骤(5)：子节点使用训练的模型对设备运行状态进行监测，分析故障情况。
步骤(6)：若有新的子节点加入，子节点直接向中心节点发送请求，加载中心模型并使用子节点数据开始训练，节约时间成本，有效利用新子节点的数据。
本发明的基于联邦学习的多设备状态监测方法，在联邦学习框架内结合卷积神经网络、长短期记忆网络模型和设备工况监测，能解决当前困扰工业设备预测的泛化性差难题，同时联邦学习框架对多种神经网络的支持使该方法能应用于不同类型的设备，具有广泛的应用前景。对多节点的联合训练扩充了训练数据量，使模型精度更高，训练时间更短，提高了鲁棒性，适用于变化的工业环境。
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多设备状态监测方法，其特征在于，数据预处理模块、子节点模型训练模块、中心节点模型融合模块、模型回传模块、故障监测模块，包括以下步骤：
步骤(1)：子节点的数据通过数据预处理模块进行清洗，剔除空数据、无效数据和重复数据；
步骤(2)：预处理完毕的数据在各自子节点进行模型训练；
步骤(3)：将步骤(2)训练得到的模型上传到中心节点，中心节点根据子节点模型的效果进行筛选并融合；
步骤(4)：中心节点融合的模型回传到各子节点，子节点根据中心节点模型继续训练；
步骤(5)：子节点使用训练的模型对设备运行状态进行监测，分析故障情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110253451.6A CN113033772A (zh) | 2021-03-05 | 2021-03-05 | 一种基于联邦学习的多设备状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110253451.6A CN113033772A (zh) | 2021-03-05 | 2021-03-05 | 一种基于联邦学习的多设备状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033772A true CN113033772A (zh) | 2021-06-25 |
Family
ID=76467096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110253451.6A Pending CN113033772A (zh) | 2021-03-05 | 2021-03-05 | 一种基于联邦学习的多设备状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033772A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
| CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
| CN114648131A (zh) * | 2022-03-22 | 2022-06-21 | 中国电信股份有限公司 | 联邦学习方法、装置、系统、设备及介质 |
| 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 |
| CN117728587A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
-
2021
- 2021-03-05 CN CN202110253451.6A patent/CN113033772A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
| CN113311715B (zh) * | 2021-07-30 | 2021-12-07 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
| CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
| CN114648131A (zh) * | 2022-03-22 | 2022-06-21 | 中国电信股份有限公司 | 联邦学习方法、装置、系统、设备及介质 |
| 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 |
| CN117728587A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
| CN117728587B (zh) * | 2024-02-07 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033772A (zh) | 一种基于联邦学习的多设备状态监测方法 | |
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
| CN113051822B (zh) | 基于图注意力网络与lstm自动编码模型的工业系统异常检测方法 | |
| WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN110569925B (zh) | 应用于电力设备运检的基于lstm的时序异常检测方法 | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN114492978B (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
| CN113484693B (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
| CN109242150A (zh) | 一种电网可靠性预测方法 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
| CN118157132B (zh) | 基于神经网络的电压监测系统数据挖掘方法及装置 | |
| CN118133203A (zh) | 一种电能计量检测信息故障诊断方法 | |
| CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
| CN113033624A (zh) | 一种基于联邦学习的工业图像故障诊断方法 | |
| CN114419507A (zh) | 一种基于联邦学习的互联网工厂运行诊断方法及系统 | |
| CN117768235A (zh) | 一种基于物联网的实时流量监测警报系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |