CN113434329B - 设备故障诊断与健康管理系统 - Google Patents

设备故障诊断与健康管理系统 Download PDF

Info

Publication number
CN113434329B
CN113434329B CN202110996481.6A CN202110996481A CN113434329B CN 113434329 B CN113434329 B CN 113434329B CN 202110996481 A CN202110996481 A CN 202110996481A CN 113434329 B CN113434329 B CN 113434329B
Authority
CN
China
Prior art keywords
data
model
module
performance data
health performance
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.)
Active
Application number
CN202110996481.6A
Other languages
English (en)
Other versions
CN113434329A (zh
Inventor
花霖
冯建设
张建宇
陈军
杨欢
姚琪
陈品宏
刘桂芬
王春洲
朱瑜鑫
张挺军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202110996481.6A priority Critical patent/CN113434329B/zh
Publication of CN113434329A publication Critical patent/CN113434329A/zh
Application granted granted Critical
Publication of CN113434329B publication Critical patent/CN113434329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提出的一种设备故障诊断与健康管理系统，系统包括服务器以及多个本地设备，本地设备包括第一模型模块以及第一数据模块，服务器包括第二模型模块以及第二数据模块；第一数据模块将第一健康表现数据发送至第二数据模块；第二数据模块将第一健康表现数据发送至第二模型模块；第二模型模块根据第一健康表现数据对第二模型进行训练，并将模型元素发送至第一模型模块；第一模型模块根据模型元素进行第一模型更新。通过获取各本地设备的健康表现数据对服务器的第二模型进行训练，能够综合训练样本训练得到适用性高的第二模型，继而发送模型元素至各本地设备更新第一模型，使得无需将原始的健康表现数据对其它本地设备进行分享，避免了数据的泄漏。

Description

设备故障诊断与健康管理系统
技术领域
本发明涉及数据安全领域，尤其涉及一种设备故障诊断与健康管理系统。
背景技术
由于设备在多数时间内是在正常工作状态下运行的，导致对设备状态进行采样会得到过多的高相似度健康样本，与之相对应的，对于模型训练有着重要意义的故障样本存在数量极少以及多样性不够的问题，这会导致无法有效地建立全局适用的PHM（Prognostics and Health Management，设备故障诊断与健康管理）模型；为了解决这一问题，现有技术中主要通过建立数据联盟的方式鼓励各数据拥有者贡献数据，然而，出于对数据隐私性的考量，多数拥有者不愿意对数据进行分享。
发明内容
本发明的主要目的在于提出一种设备故障诊断与健康管理系统，旨在解决现有技术中无法解决在数据共享的同时避免数据泄漏的问题。
为实现上述目的，本发明提供一种设备故障诊断与健康管理系统，
所述系统包括服务器以及多个本地设备，所述本地设备包括第一模型模块以及第一数据模块，所述服务器包括第二模型模块以及第二数据模块；所述第一数据模块与所述第二数据模块的输入端连接，所述第二数据模块的输出端与所述第二模型模块的输入端连接，所述第二模型模块的输出端与所述第一模型模块连接；其中：
所述第一数据模块，用于将第一健康表现数据发送至所述第二数据模块；
所述第二数据模块，用于将接收到的所述第一健康表现数据发送至所述第二模型模块；
所述第二模型模块，用于根据接收到的所述第一健康表现数据对第二模型进行训练，并在根据训练后的第二模型和所述第一模型模块的第一模型生成模型元素后，将所述模型元素发送至所述第一模型模块；
所述第一模型模块，用于根据所述模型元素进行第一模型更新。
可选地，所述第一数据模块包括数据获取单元以及第一数据处理单元，其中所述数据获取单元与所述第一数据处理单元连接，所述第一数据处理单元与所述第二数据模块连接；其中：
所述数据获取单元，用于获取第二健康表现数据，并将所述第二健康表现数据发送至所述第一数据处理单元；
所述第一数据处理单元，用于对所述第二健康表现数据进行处理得到第一健康表现数据，并将所述第一健康表现数据发送至所述第二数据模块。
可选地，所述第一数据处理单元包括传输加密子单元，所述传输加密子单元连接在所述数据获取单元与所述第二数据模块之间，其中：
所述传输加密子单元，用于接收所述第二健康表现数据，并在根据所述服务器下发的公钥对所述第二健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
可选地，所述第一数据处理单元包括同态加密子单元，所述同态加密子单元连接在所述传输加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于对所述第二健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元；
所述传输加密子单元，用于接收所述第三健康表现数据，并在对所述第三健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
可选地，所述第一数据处理单元包括数据分区标识子单元，所述数据分区标识子单元连接在所述同态加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据分区标识子单元；
所述数据分区标识子单元，用于将所述第二健康表现数据绑定所述本地设备的关联标记生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于接收所述第四健康表现数据，并对所述第四健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元。
可选地，所述第一数据处理单元包括数据预处理子单元，所述数据预处理子单元连接在所述分区标识子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据预处理子单元；
所述数据预处理子单元，用于将所述第二健康表现数据进行预处理操作生成第五健康表现数据，并将所述第五健康表现数据发送至所述数据分区标识子单元，其中，所述预处理操作包括数据清理、重采样、特征工程、归一化以及数据分组中的至少之一；
所述数据分区标识子单元，用于接收所述第五健康表现数据，并将所述第五健康表现数据与所述本地设备进行关联标记后生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元。
可选地，所述第二数据模块包括第一数据解密单元，所述第一数据解密单元连接在所述传输加密子单元与所述第二模型模块之间；其中：
所述第一数据解密单元，用于接收所述第一健康表现数据，并在对所述第一健康表现数据进行解密操作后发送至所述第二模型模块。
可选地，所述第二模型模块，用于获取各本地设备的所述第一健康表现数据中的关联标记，并为各本地设备匹配与所述关联标记对应的训练权重，将各所述本地设备发送的第一健康表现数据基于对应的所述训练权重生成训练数据，根据所述训练数据对所述第二模型进行训练。
可选地，所述第二数据模块包括数据下发单元，所述数据下发单元与所述第一模型模块连接；其中：
所述数据下发单元，用于获取所述第二模型模块的模型元素，并将所述模型元素发送至所述第一模型模块。
可选地，所述第一模型模块包括第一模型与模型更新单元，所述模型更新单元连接在所述第一模型与所述第二模型模块之间；其中：
所述模型更新单元，用于获取所述第二模型模块发送的模型元素，并根据所述模型元素对所述第一模型进行更新。
本发明提出的一种设备故障诊断与健康管理系统，所述系统包括服务器以及多个本地设备，所述本地设备包括第一模型模块以及第一数据模块，所述服务器包括第二模型模块以及第二数据模块；所述第一数据模块与所述第二数据模块的输入端连接，所述第二数据模块的输出端与所述第二模型模块的输入端连接，所述第二模型模块的输出端与所述第一模型模块连接；其中：所述第一数据模块，用于将所述第一健康表现数据发送至所述第二数据模块；所述第二数据模块，用于将接收到的所述第一健康表现数据发送至所述第二模型模块；所述第二模型模块，用于根据接收到的所述第一健康表现数据对第二模型进行训练，并在根据训练后的第二模型和所述第一模型模块的第一模型生成模型元素后，将所述模型元素发送至所述第一模型模块；所述第一模型模块，用于根据所述模型元素进行第一模型更新。通过获取各本地设备的健康表现数据对服务器的第二模型进行训练，使得能够综合大量的、多样的训练样本训练得到适用性高的第二模型，继而发送模型元素至各本地设备更新第一模型，使得无需将原始的健康表现数据对其它本地设备进行分享，避免了数据的泄漏。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明设备故障诊断与健康管理系统一实施例的模块示意图；
图2为本发明设备故障诊断与健康管理系统另一实施例的结构示意图。
附图标号说明。
标号 名称 标号 名称
100 本地设备 1222 同态加密子单元
110 第一模型模块 1223 数据分区标识子单元
111 第一模型 1224 数据预处理子单元
112 模型更新单元 200 服务器
113 第二数据解密单元 210 第二模型模块
120 第一数据模块 211 第二模型
121 数据获取单元 220 第二数据模块
122 第一数据处理单元 221 第一数据解密单元
1221 传输加密子单元 222 数据下发单元
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本发明提供一种设备故障诊断与健康管理系统，参照图1，图1为本发明设备故障诊断与健康管理系统一实施例的模块示意图，所述系统包括服务器以及多个本地设备，所述本地设备包括第一模型模块以及第一数据模块，所述服务器包括第二模型模块以及第二数据模块；所述第一数据模块与所述第二数据模块的输入端连接，所述第二数据模块的输出端与所述第二模型模块的输入端连接，所述第二模型模块的输出端与所述第一模型模块连接；其中：
所述第一数据模块，用于将所述第一健康表现数据发送至所述第二数据模块；
可以理解的是，本地设备中还包括用于实现其本身功能的功能模块；健康表现数据为根据功能模块的运行参数生成的用于反映功能模块的运行状态的数据；根据对应的运行状态不同，可将第一健康表现数据划分为健康样本数据以及故障样本数据。第一数据模块从功能模块中获取健康表现数据，并在对健康表现数据进行相关数据处理后得到第一健康表现数据，并将第一健康表现数据发送至服务器的第二数据模块。
所述第二数据模块，用于将接收到的第一健康表现数据发送至所述第二模型模块；
第一数据模块与第二数据模块主要用于进行数据传输，第二数据模块接收各本地设备上传的第一健康表现数据，并将第一健康表现数据发送至第二模型模块。
所述第二模型模块，用于根据接收到的所述第一健康表现数据对第二模型进行训练，并在根据训练后的第二模型和所述第一模型模块的第一模型生成模型元素后，将所述模型元素发送至所述第一模型模块；
第二模型模块中包括第二模型，第二模型根据接收到的各本地设备的第一健康表现数据进行训练。并根据训练后的第二模型与本地设备中的第一模型生成模型元素，模型元素为第二模型与第一模型之间的差异化数据，第一模型能够根据模型元素更新为与第二模型的工作能力一致的模型。
所述第一模型模块，用于根据所述模型元素进行第一模型更新。
第一模型模块在接收到模型元素之后，根据模型元素将第一模型更新为与第二模型的工作能力一致的模型。
可以理解的是，本实施例中的模型为PHM模型；PHM模型主要用于进行故障检测、故障分类以及剩余寿命预测等；可以基于一类支持向量机One-class Support VectorMachine建立PHM模型。
本实施例通过获取各本地设备的健康表现数据对服务器的第二模型进行训练，使得能够综合大量的、多样的训练样本训练得到适用性高的第二模型，继而发送模型元素至各本地设备更新第一模型，使得无需将原始的健康表现数据对其它本地设备进行分享，避免了数据的泄漏。
进一步地，参见图2，所述第一数据模块包括数据获取单元以及第一数据处理单元，其中所述数据获取单元与所述第一数据处理单元连接，所述第一数据处理单元与所述第二数据模块连接；其中：
所述数据获取单元，用于获取第二健康表现数据，并将所述第二健康表现数据发送至所述第一数据处理单元；
所述第一数据处理单元，用于对所述第二健康表现数据进行处理得到第一健康表现数据，并将所述第一健康表现数据发送至所述第二数据模块。
数据获取单元从功能模块中获取健康表现数据作为第二健康表现数据，并将第二健康表现数据发送至第一数据处理单元进行数据处理。第一数据处理单元对第二健康表现数据进行数据处理后得到第一健康表现数据；具体的数据处理方式包括但不限于加密、预处理、数据填充等。第一数据单元将得到的第一健康表现数据发送至第二数据模块。
进一步地，所述第一数据处理单元包括传输加密子单元，所述传输加密子单元连接在所述数据获取单元与所述第二数据模块之间，其中：
所述传输加密子单元，用于接收所述第二健康表现数据，并在根据所述服务器下发的公钥对所述第二健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
进一步地，所述第二数据模块包括第一数据解密单元，所述第一数据解密单元连接在所述传输加密子单元与所述第二模型模块之间；其中：
所述第一数据解密单元，用于接收所述第一健康表现数据，并在对所述第一健康表现数据进行解密操作后发送至所述第二模型模块。
为了确保第一健康表现数据在上传到服务器的传输过程的安全性，本实施例通过服务器下发的公钥对第一健康表现数据进行传输加密，可以理解的是，服务器中存储与所述公钥对应的私钥，可通过私钥对第二表现数据进行解密。具体地，本实施例采用HTTPS协议（Hyper Text Transfer Protocol over SecureSocket Layer，超文本传输安全协议）对第一健康表现数据进行传输，并通过TLS协议（Transport Layer Security，安全传输层协议）对第一健康表现数据进行传输加密；TLS协议具备以下特征：1）加密/解密：加密过的信息对第三方隐藏了信息。只有既定的接收方才能对信息进行解密；2）验证：验证是证明某个实体是否为它所声明的那一个；3）数据完整性：确保数据在上传过程中没有被修改或删除。具体地，在对第一健康表现数据进行传输之前，由本地设备发起HTTPS请求，以与服务器建立连接，服务器为该连接设置一套自主的数字证书，数字证书包括公钥与私钥，其中公钥发送至本地设备，私钥存储于服务器中；本地设备在接收到公钥时，对公钥的信息进行验证，验证内容包括颁布结构以及过期时间等，当对公钥的验证通过时，生成一个随机值，并用公钥对该随机值进行加密，并发送加密后的随机值至服务器，以便后续基于该随机值对通讯进行加密解密，同时基于该随机值对数据进行加密；服务器通过私钥对随机值解密后，得到随机值，可以对传输至服务器的数据进行解密并进行建模。
进一步地，所述第一数据处理单元包括同态加密子单元，所述同态加密子单元连接在所述传输加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于对所述第二健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元；
所述传输加密子单元，用于接收所述第三健康表现数据，并在对所述第三健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
同态加密用于确保每一个本地设备的健康表现数据的隐私。同态加密将允许服务器对数据进行特定形式的代数运算后仍是加密的结果，而将其解密所得到的结果与对明文进行同样的运算结果一样。
考虑到建模层算法的需要，采用全同态加密算法Full Homomorphic Encryption对数据进行加密。而加密后的数据可以进行加减乘除、多项式求值、指数、对数等各种运算。在同态加密中同样设置密钥对，包括公钥与私钥，本地设备通过公钥对第一健康表现数据进行加密，私钥存储于服务器，用于解密。可以理解的是同态加密中的公钥与私钥与TLS加密中的公钥与私钥是两组不同的密钥对。
进一步地，所述第一数据处理单元包括数据分区标识子单元，所述数据分区标识子单元连接在所述同态加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据分区标识子单元；
所述数据分区标识子单元，用于将所述第二健康表现数据绑定所述本地设备的关联标记生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于接收所述第四健康表现数据，并对所述第四健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元。
由于服务器需要接收多个本地设备的健康表现数据，因此，需要对各本地设备的健康表现数据进行区分，以使服务器清楚健康表现数据的来源；关联标记可以包括本地设备的标识、编号或名称等。
进一步地，所述第二模型模块，用于获取各本地设备的所述第一健康表现数据中的关联标记，并为各本地设备匹配与所述关联标记对应的训练权重，将各所述本地设备发送的第一健康表现数据基于对应的所述训练权重生成训练数据，根据所述训练数据对所述第二模型进行训练。
本实施例通过最小化经验损失函数，令模型可以拟合所有由若干本地设备收集到的数据。当本地设备的数量过多时，简单的拟合难以确保输出的模型适用于所有的本地设备。同时不同的本地设备之间的数据存在各种差异，因此需要权重分配来确保模型的性能公平地分布于每一个本地设备中。
通过引入参数化的权重，实现对不同本地设备损耗的重新分权计算，使得损耗较高，故障频率更高的本地设备具有较高的相对权重，从而减少准确度的方差分布；模型学习的目标函数公式如下：
Figure 83120DEST_PATH_IMAGE001
其中，minF(ω)为目标函数；m为本地设备的数量；Fk (ω)为各本地设备的局部目标函数，q k 为本地设备对应的权重。可根据每一个本地设备的健康表现数据的故障样本之间的比例，来对每一个本地设备中采集到的健康表现数据进行权重分配，以便于后续建模。
进一步地，所述第一数据处理单元包括数据预处理子单元，所述数据预处理子单元连接在所述分区标识子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据预处理子单元；
所述数据预处理子单元，用于将所述第二健康表现数据进行预处理操作生成第五健康表现数据，并将所述第五健康表现数据发送至所述数据分区标识子单元，其中，所述预处理操作包括数据清理、重采样、特征工程、归一化以及数据分组中的至少之一；
所述数据分区标识子单元，用于接收所述第五健康表现数据，并将所述第五健康表现数据与所述本地设备进行关联标记后生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元。
其中，数据清理用于对采集到的第二健康表现数据进行数据清理。移除由于人工操作不当或传感器故障所导致的极端异常样本。重采样用于规避数据不平衡问题，使用随机欠采样对第二健康表现数据进行处理，随机提取部分正常样本作为训练样本。特征工程用于基于经验知识提取相应的统计量特征，构建向量化特征矩阵。针对振动信号，可对第二健康表现数据进行快速傅里叶变化同时考虑频域特征。归一化，用于使用Z-Score方法对数据进行归一化。数据分组用于将第二健康表现数据中的数据随机排列组合，分为训练集以及验证集，每一个集合中正常样本以及故障样本比例一致。
通过对第二健康表现数据进行预处理使得能够提高数据的质量。
进一步地，所述第二数据模块包括数据下发单元，所述数据下发单元与所述第一模型模块连接；其中：
所述数据下发单元，用于获取所述第二模型模块的模型元素，并将所述模型元素发送至所述第一模型模块。
本实施例设置预设更新时间，即每间隔预设更新时间，数据下发单元从第二模型模块中获取模型元素下发至各本地设备。进一步地，数据下发单元在下发模型元素时，可以对模型元素进行加密，加密包括但不限于传输加密与同态加密。
进一步地，所述第一模型模块包括第一模型与模型更新单元，所述模型更新单元连接在所述第一模型与所述第二模型模块之间；其中：
所述模型更新单元，用于获取所述第二模型模块发送的模型元素，并根据所述模型元素对所述第一模型进行更新。
可以理解的是第一模型模块还可以包括第二数据解密单元，用于对接收到的加密的模型元素进行解密。
各本地设备在本地分别构建其局部目标函数，具体地，局部目标函数公式如下：
Figure 166744DEST_PATH_IMAGE002
其中，Fk为局部目标函数；ω为斜率；ξi为松弛变量；ρ为截距；vn为系统惩罚样本数量；n为样本数量。
各本地设备分别基于加密的梯度值进行计算，同时根据各自的数据计算损失，并将结果上传至服务器；服务器通过目标函数公式计算总梯度，并将其解密，服务器将解密后的梯度分别通过数据下发单元下发至各本地设备；本地设备根据梯度对第一模型进行更新。每个本地设备可以创建一个参数为ω和ρ的超平面进行检测，超平面对应函数如下：
Figure 981117DEST_PATH_IMAGE003
其中，ωT为斜率的转置；∅为映射函数；xi为核函数；x为输入变量；ai为对偶变量。
随着数据的不断更新，模型可以进行自适应的更新。实时向服务器传输梯度计算结果，以及数据计算损失。服务器定时向各本地设备汇报更新总梯度，用于更新第一模型。
需要说明的是，对于前述的各实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种设备故障诊断与健康管理系统，其特征在于，所述系统包括服务器以及对应不同拥有者的多个本地设备，所述本地设备包括第一模型模块以及第一数据模块，所述服务器包括第二模型模块以及第二数据模块；所述第一数据模块与所述第二数据模块的输入端连接，所述第二数据模块的输出端与所述第二模型模块的输入端连接，所述第二模型模块的输出端与所述第一模型模块连接；其中：
所述第一数据模块，用于将第一健康表现数据发送至所述第二数据模块；
所述第二数据模块，用于将接收到的所述第一健康表现数据发送至所述第二模型模块；
所述第二模型模块，用于根据接收到的所述第一健康表现数据对第二模型进行训练，并在根据训练后的第二模型和所述第一模型模块的第一模型生成模型元素后，将所述模型元素发送至所述第一模型模块；
所述第一模型模块，用于根据所述模型元素进行第一模型更新；
健康表现数据为根据功能模块的运行参数生成的用于反映功能模块的运行状态的数据；
所述第二模型模块，用于获取各本地设备的所述第一健康表现数据中的关联标记，并根据各本地设备对应故障样本的比例为各本地设备匹配与所述关联标记对应的训练权重，将各所述本地设备发送的第一健康表现数据基于对应的所述训练权重生成训练数据，根据所述训练数据对所述第二模型进行训练；
所述第二数据模块包括数据下发单元，所述数据下发单元与所述第一模型模块连接；其中：
所述数据下发单元，用于每间隔预设更新时间获取所述第二模型模块的模型元素，并将所述模型元素发送至所述第一模型模块。
2.如权利要求1所述的设备故障诊断与健康管理系统，其特征在于，所述第一数据模块包括数据获取单元以及第一数据处理单元，其中所述数据获取单元与所述第一数据处理单元连接，所述第一数据处理单元与所述第二数据模块连接；其中：
所述数据获取单元，用于获取第二健康表现数据，并将所述第二健康表现数据发送至所述第一数据处理单元；
所述第一数据处理单元，用于对所述第二健康表现数据进行处理得到第一健康表现数据，并将所述第一健康表现数据发送至所述第二数据模块。
3.如权利要求2所述的设备故障诊断与健康管理系统，其特征在于，所述第一数据处理单元包括传输加密子单元，所述传输加密子单元连接在所述数据获取单元与所述第二数据模块之间，其中：
所述传输加密子单元，用于接收所述第二健康表现数据，并在根据所述服务器下发的公钥对所述第二健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
4.如权利要求3所述的设备故障诊断与健康管理系统，其特征在于，所述第一数据处理单元包括同态加密子单元，所述同态加密子单元连接在所述传输加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于对所述第二健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元；
所述传输加密子单元，用于接收所述第三健康表现数据，并在对所述第三健康表现数据进行传输加密后，将传输加密后得到的第一健康表现数据发送至所述第二数据模块。
5.如权利要求4所述的设备故障诊断与健康管理系统，其特征在于，所述第一数据处理单元包括数据分区标识子单元，所述数据分区标识子单元连接在所述同态加密子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据分区标识子单元；
所述数据分区标识子单元，用于将所述第二健康表现数据绑定所述本地设备的关联标记生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元；
所述同态加密子单元，用于接收所述第四健康表现数据，并对所述第四健康表现数据进行同态加密操作生成第三健康表现数据，并将所述第三健康表现数据发送至所述传输加密子单元。
6.如权利要求5所述的设备故障诊断与健康管理系统，其特征在于，所述第一数据处理单元包括数据预处理子单元，所述数据预处理子单元连接在所述分区标识子单元与所述数据获取单元之间；其中：
所述数据获取单元，用于将所述第二健康表现数据发送至所述数据预处理子单元；
所述数据预处理子单元，用于将所述第二健康表现数据进行预处理操作生成第五健康表现数据，并将所述第五健康表现数据发送至所述数据分区标识子单元，其中，所述预处理操作包括数据清理、重采样、特征工程、归一化以及数据分组中的至少之一；
所述数据分区标识子单元，用于接收所述第五健康表现数据，并将所述第五健康表现数据与所述本地设备进行关联标记后生成第四健康表现数据，并将所述第四健康表现数据发送至所述同态加密子单元。
7.如权利要求3-6中任一项所述的设备故障诊断与健康管理系统，其特征在于，所述第二数据模块包括第一数据解密单元，所述第一数据解密单元连接在所述传输加密子单元与所述第二模型模块之间；其中：
所述第一数据解密单元，用于接收所述第一健康表现数据，并在对所述第一健康表现数据进行解密操作后发送至所述第二模型模块。
8.如权利要求1所述的设备故障诊断与健康管理系统，其特征在于，所述第一模型模块包括第一模型与模型更新单元，所述模型更新单元连接在所述第一模型与所述第二模型模块之间；其中：
所述模型更新单元，用于获取所述第二模型模块发送的模型元素，并根据所述模型元素对所述第一模型进行更新。
CN202110996481.6A 2021-08-27 2021-08-27 设备故障诊断与健康管理系统 Active CN113434329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110996481.6A CN113434329B (zh) 2021-08-27 2021-08-27 设备故障诊断与健康管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110996481.6A CN113434329B (zh) 2021-08-27 2021-08-27 设备故障诊断与健康管理系统

Publications (2)

Publication Number Publication Date
CN113434329A CN113434329A (zh) 2021-09-24
CN113434329B true CN113434329B (zh) 2022-02-15

Family

ID=77798244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110996481.6A Active CN113434329B (zh) 2021-08-27 2021-08-27 设备故障诊断与健康管理系统

Country Status (1)

Country Link
CN (1) CN113434329B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355224B (zh) * 2022-03-17 2022-06-28 深圳市信润富联数字科技有限公司 电池健康状态预测方法、装置、电子装置及可读存储介质
CN114859875B (zh) * 2022-07-07 2022-11-15 深圳市信润富联数字科技有限公司 多种设备的故障管理方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8200506B2 (en) * 2006-12-19 2012-06-12 Accenture Global Services Limited Integrated health management platform
CN111507489B (zh) * 2020-04-20 2023-04-18 电子科技大学中山学院 一种云边协同的游乐设备故障预测与健康管理系统及方法
CN112906903B (zh) * 2021-01-11 2024-02-09 北京源堡科技有限公司 网络安全风险预测方法、装置、存储介质及计算机设备
CN112785183B (zh) * 2021-01-31 2022-04-05 中国人民解放军63963部队 一种分层融合式车辆分队健康管理系统架构

Also Published As

Publication number Publication date
CN113434329A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
EP3419211B1 (en) Privacy preserving computation protocol for data analytics
CN113434329B (zh) 设备故障诊断与健康管理系统
Wen et al. FedDetect: A novel privacy-preserving federated learning framework for energy theft detection in smart grid
EP3506550B1 (en) Providing security against user collusion in data analytics using random group selection
Avudaiappan et al. Medical image security using dual encryption with oppositional based optimization algorithm
EP3725023B1 (en) Method for faster secure multiparty inner product with spdz
CN111914027B (zh) 一种区块链交易关键字可搜索加密方法及系统
Ding et al. Lightweight privacy-preserving identity-based verifiable IoT-based health storage system
WO2020015478A1 (zh) 基于模型的预测方法和装置
US8468346B2 (en) Data reference system, database presentation/distribution system, and data reference method
EP2704354A1 (en) Re-encryption key generator, re-encryption device, and program
US12045340B2 (en) Method for updating a neural network, terminal apparatus, computation apparatus, and program
CN110999200B (zh) 一种用于评估监测函数以确定是否满足触发条件的方法及系统
Ibrahem et al. Privacy-preserving and efficient decentralized federated learning-based energy theft detector
Tran et al. An efficient privacy-enhancing cross-silo federated learning and applications for false data injection attack detection in smart grids
Li et al. An efficient certificate-based data integrity auditing protocol for cloud-assisted WBANs
CN111553443A (zh) 裁判文书处理模型的训练方法、训练装置和电子设备
Mashhadi Improvement of a (t, n) Threshold d− level quantum secret sharing scheme
Wu et al. Patient-centric medical service matching with fine-grained access control and dynamic user management
Mu et al. A secure and lightweight cloud-centric intelligent medical system based on Internet of Medical Things
Niu et al. Federated collaborative filtering recommendation based on semi-homomorphic encryption
CN112702159B (zh) 一种基于区块链的线上专家评分方法和系统
CN114785496A (zh) 共享隐私数据、接收隐私数据的方法、装置及系统
CN113709096A (zh) 一种畜牧资产管理身份认证方法及系统
CN113935874A (zh) 一种基于区块链的来华留学学籍管理系统

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
GR01 Patent grant
GR01 Patent grant