CN114330741A - 一种基于联邦学习的制造业装备故障监测模型训练方法 - Google Patents
一种基于联邦学习的制造业装备故障监测模型训练方法 Download PDFInfo
- Publication number
- CN114330741A CN114330741A CN202111549240.3A CN202111549240A CN114330741A CN 114330741 A CN114330741 A CN 114330741A CN 202111549240 A CN202111549240 A CN 202111549240A CN 114330741 A CN114330741 A CN 114330741A
- Authority
- CN
- China
- Prior art keywords
- fault monitoring
- equipment
- monitoring model
- data
- local
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于计算机应用技术领域，具体公开一种基于联邦学习的制造业装备故障监测模型训练方法，包括获取各装备的运行状态数据，并对运行状态数据进行预分析；各装备基于预分析后的运行状态数据进行各自本地故障检测模型训练，将训练后的本地故障监测模型参数发送给聚合服务器，聚合服务器通过加权平均聚合各本地故障监测模型参数，生成全局故障监测模型参数并发送给各装备，各装备接收后更新本地故障监测模型，继续利用本地运行数据重复训练模型，直至全局故障监测模型收敛，模型训练结束；将训练好的故障监测模型应用在各装备，对装备的运行状态进行实时监测和故障诊断结果通知，并将维修信息及时上传至数据云端，形成智能服务闭环。
Description
技术领域
本发明属于计算机应用技术领域，具体地说涉及一种基于联邦学习的制造业装备故障监测模型训练方法。
背景技术
随着计算机技术的发展，越来越多的技术应用在制造业领域，通过现场采集制造业装备的历史运行状态数据，并筛选出正常运行的历史数据得到正常状态数据集，进一步构建制造业装备的故障监测模型并利用正常状态数据集进行模型训练，最后使得训练后的故障监测模型可以实时从数据库中获取制造业装备的数据并进行故障甄别。在现有技术中，故障监测模型主要利用装备的历史数据进行模型训练，并通过增加训练次数、修改模型参数以提高监测模型的精确率。但是，当装备的数据量较少时，会因缺少数据而导致模型训练的精确率不高，另外，对于具有隐私性的装备数据，无法进行现场集中采集，从而难以获取更多的装备数据。
在保护装备数据隐私的条件下，为了提高故障监测模型的准确率，需要使用大量的数据进行模型训练，但是，当装备的数据涉及用户隐私时，无法获取更多的设备数据进行集中训练模型。目前，在保障制造业装备的数据隐私性和安全性的条件下，对制造业装备数据的获取变得越来越困难，导致现有故障监测模型存在模型精确度较低的问题，这使得上述模型训练方式面临着极大的挑战。
因此，现有技术还有待于进一步发展和改进。
发明内容
针对现有技术的种种不足，为了解决上述问题，现提出一种基于联邦学习的制造业装备故障监测模型训练方法。本发明提供如下技术方案：
一种基于联邦学习的制造业装备故障监测模型训练方法，包括：
获取各装备的运行状态数据，并对运行状态数据进行预分析；
各装备基于预分析后的运行状态数据进行各自本地故障检测模型训练，将训练后的本地故障监测模型参数发送给聚合服务器，聚合服务器通过加权平均聚合各本地故障监测模型参数，生成全局故障监测模型参数并发送给各装备，各装备接收后更新本地故障监测模型，继续利用本地运行数据重复训练模型，直至全局故障监测模型收敛，模型训练结束；
将训练好的故障监测模型应用在各装备，对装备的运行状态进行实时监测，并将故障诊断结果实时通知到现场检修人员的手持终端或自动控制设备，并将维修信息及时上传至数据云端，形成智能服务闭环。
进一步的，将训练后的本地故障监测模型参数通过同态加密后发送给聚合服务器，聚合服务器分别解密各本地故障监测模型参数。
进一步的，所述同态加密算法包括：每个装备和聚合服务器都具有相同的公私钥，则有F(E(x),E(y))＝E(xΘy)，其中，F为同态加密算法，x和y是明文空间 M中的元素，Θ为M上的运算，E(·)是M上密钥空间为k的加密函数，即对数据 x和y加密后运算的结果与x和y运算后再加密的结果是相同的。
进一步的，对运行状态数据进行预分析的方法包括：
采集制造业装备的历史运行数据，对所述制造业装备历史运行数据进行预处理，其中，预处理包括对所述装备历史数据进行清洗，剔除异常、缺失的样本数据；
对预处理后的历史运行数据构建装备运行时间序列数据；
对所述装备运行时间序列数据进行归一化处理。
进一步的，对预处理后的历史运行数据构建装备运行时间序列数据方法包括：对经过预处理后的历史运行数据按每时段统计，并按时间顺序构建装备运行时间序列数据。
进一步的，对所述装备运行时间序列数据进行归一化处理方法包括：
获取装备运行时间序列数据中的最大值和最小值；
对每个时段的装备运行时间序列数据归一化在0-1之间，归一化公式为
其中x'为归一化后的值，x为装备运行数据时间序列数据的实际值， xmin为装备运行数据时间序列数据中的最小值，xmax为装备运行数据时间序列数据中的最大值。
进一步的，聚合服务器通过加权平均聚合各本地故障监测模型参数的方法包括：聚合服务器在接收到所有装备的本地故障监测模型参数后，解密所有本地故障监测模型参数，基于加权平均法聚合所有本地故障监测模型参数，得到全局故障监测模型参数并建立全局故障监测模型；
其中，聚合本地故障监测模型参数的加权平均法公式为
其中，w为聚合后的全局故障监测模型参数，wi为装备i的本地故障监测模型参数，pi为本地故障监测模型参数wi的权重值，ni为装备i的本地训练数据的数量， n为所有装备的本地训练数据的总数量。
进一步的，所述全局故障监测模型收敛的判断方法包括：对建立的全局故障监测模型进行检测，通过测试数据计算预测误差值判断全局故障模型是否收敛，若未收敛，聚合服务器将全局故障监测模型参数加密后发送给各装备，各装备解密全局故障监测模型参数并更新本地故障监测模型参数，继续迭代训练，直到全局故障监测模型收敛。
进一步的，将收敛的全局故障监测模型作为最终的制造业装备故障监测模型。
进一步的，每个装备利用本地装备运行时间序列数据每次进行200轮本地故障监测模型训练后再发送至聚合服务器。
有益效果：
1、将联邦学习用于制造业装备故障监测模型训练方法上，能够在保障装备的数据隐私和安全的条件下训练故障监测模型，提高故障监测模型的精确度；
2、联邦学习可在不获取装备数据的条件下，训练并优化故障监测模型，从而提高模型的精确率，避免调取用户装备数据，进而避免被他人将数据出于商业目的而利用，甚至滥用；
3、将模型训练任务分散到各个设备中进行循环，提高训练效率，降低单设备训练样本数量及复杂度；
4、按照200批次为一组循环训练，提高训练的可信度以及构建速度；
5、通过同态加密算法对收集和下发的训练模型数据进行加密处理，避免原始数据的泄露，保证数据的安全性。
附图说明
图1是本发明具体实施例中一种基于联邦学习的制造业装备故障监测模型训练方法流程示意图；
图2是本发明具体实施例中一种基于联邦学习的制造业装备故障监测模型训练系统结构示意图；
图3是本发明具体实施例中制造业装备故障监测模型训练流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本申请实施例中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A 和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的商品或者系统中还存在另外的相同要素。
本发明选取某N个装备的历史运行数据作为实施例，其中每个装备作为一个本地方，如图2所示，共有N个装备和一个聚合服务器,具体流程如下：
首先，每个装备利用本地装备运行时间序列数据进行200轮本地故障监测模型训练，然后取出本地监测模型参数并经过同态加密发送给聚合服务器，聚合服务器对收到的所有装备的本地故障监测模性参数进行解密，并根据每个装备的本地装备运行时间序列数据量通过加权平均聚合本地故障监测模型参数，获得每轮联邦学习的全局故障监测模型参数，并建立全局故障监测模型并通过测试数据集检测全局故障监测模型的收敛性，若全局故障监测模型未收敛，则将全局故障监测模型参数加密发送给各装备，各装备解密全局故障监测模型参数并更新本地故障监测模型，继续利用本地装备运行时间序列数据进行200轮本地故障监测模型训练，重复以上过程，直至全局故障监测模型收敛。最后，将收敛的全局故障监测模型作为最终的制造业故障监测模型。
如图1所示，本实施例具体方法如下：
步骤S101,采集制造业装备的历史运行数据，对所述制造业装备历史运行数据进行预处理；
步骤S102,对预处理后的历史运行数据构建装备运行时间序列数据；
步骤S103,对所述装备运行时间序列数据进行归一化处理；
步骤S104,根据归一化后的装备运行时间序列数据进行联邦学习，由每个装备利用本地数据训练本地装备故障监测模型，并将训练后的本地装备故障监测模型参数加密后上传至聚合服务器；
步骤S105,由聚合服务器收集并聚合所有本地装备故障监测模型参数，以获得全局装备故障监测模型参数并建立全局装备故障监测模型；
步骤S106,判断全局装备故障监测模型是否收敛，若未收敛，则将全局装备故障监测模型参数发送给各装备继续迭代训练，直到全局装备故障监测模型收敛；
步骤S107,将收敛的全局装备故障监测模型作为制造业装备故障监测模型。
进一步的，采集装备的历史运行数据，对所述装备历史运行数据进行预处理，包括：
采集装备历史运行数据；
对所述装备历史数据进行清洗，剔除异常、缺失的样本数据。
进一步的，对所述历史运行数据进行统计，构建装备运行时间序列数据，包括：
对所述经过预处理后的历史运行数据按每时段统计，并按时间顺序构建装备运行时间序列数据。
进一步的，对所述装备运行时间序列数据进行归一化处理，包括：
获取装备运行时间序列数据中的最大值和最小值；
对每个时段的装备运行时间序列数据归一化在0-1之间，归一化公式为
其中x'为归一化后的值，x为装备运行数据时间序列数据的实际值， xmin为装备运行数据时间序列数据中的最小值，xmax为装备运行数据时间序列数据中的最大值。
进一步的，根据所述归一化后的装备运行数据时间序列数据进行联邦学习，由每个装备分别在本地训练本地模型，并将训练后的本地模型参数上传至聚合服务器，包括：
每个装备在本地利用归一化后的装备运行数据时间序列数据训练本地故障监测模型，模型训练结束后，由每个装备将模型参数加密后上传至聚合服务器，其中，加密方式选用同态加密算法，每个装备和聚合服务器都具有相同的公私钥，同态加密算法的相关定义为：定义x和y是明文空间M中的元素，Θ为M上的运算，E(·)是M上密钥空间为k的加密函数，设同态加密算法为F，则有 F(E(x),E(y))＝E(xΘy)，即对数据x和y加密后运算的结果与x和y运算后再加密的结果是相同的。通过应用同态加密算法，即使其他人获取了已加密的模型参数，由于缺少密钥信息，无法得知任何原始数据信息，进一步保证了数据的安全。
进一步的，由聚合服务器聚合所有本地模型参数，包括：
聚合服务器在接收到所有装备的本地故障监测模型参数后，解密所有本地故障监测模型参数，基于加权平均法聚合所有本地故障监测模型参数，得到全局故障监测模型参数并建立全局故障监测模型。其中，聚合本地故障监测模型参数的加权平均法公式为
其中，w为聚合后的全局故障监测模型参数，wi为装备i的本地故障监测模型参数，pi为本地故障监测模型参数wi的权重值，ni为装备i的本地训练数据的数量，n为所有装备的本地训练数据的总数量。
进一步的，判断全局故障监测模型是否收敛，包括：
对建立的全局故障监测模型进行检测，通过测试数据计算预测误差值判断全局故障模型是否收敛，若未收敛，聚合服务器将全局故障监测模型参数加密后发送给各装备，各装备解密全局故障监测模型参数并更新本地故障监测模型参数，继续迭代训练，直到全局故障监测模型收敛。
进一步的，获得制造业装备故障监测模型，包括：
将收敛的全局故障监测模型作为最终的制造业装备故障监测模型。
如图3所示，制造业装备故障监测模型训练及应用流程如下：
S1、各装备对本地历史运行数据进行预处理，包括清洗、标准化等；
S2、应用联邦学习，进行分布式训练故障监测模型，获取制造业装备故障监测模型；
S3、将训练好的制造业装备故障监测模型应用在各装备上；
S4、各装备故障监测模型实时监测运行状态数据；
S5、将发生故障的装备信息及故障诊断发送给检修人员的手持终端或自动控制设备；
S6、检修人员现场维修指导，并将维修信息及时上传至数据云端。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本发明实施范围，即凡依本申请范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。
Claims (10)
1.一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，包括：
获取各装备的运行状态数据，并对运行状态数据进行预分析；
各装备基于预分析后的运行状态数据进行各自本地故障检测模型训练，将训练后的本地故障监测模型参数发送给聚合服务器，聚合服务器通过加权平均聚合各本地故障监测模型参数，生成全局故障监测模型参数并发送给各装备，各装备接收后更新本地故障监测模型，继续利用本地运行数据重复训练模型，直至全局故障监测模型收敛，模型训练结束；
将训练好的故障监测模型应用在各装备，对装备的运行状态进行实时监测，并将故障诊断结果实时通知到现场检修人员的手持终端或自动控制设备，并将维修信息及时上传至数据云端，形成智能服务闭环。
2.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，将训练后的本地故障监测模型参数通过同态加密后发送给聚合服务器，聚合服务器分别解密各本地故障监测模型参数。
3.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，所述同态加密算法包括：每个装备和聚合服务器都具有相同的公私钥，则有F(E(x),E(y))＝E(xΘy)，其中，F为同态加密算法，x和y是明文空间M中的元素，Θ为M上的运算，E(·)是M上密钥空间为k的加密函数，即对数据x和y加密后运算的结果与x和y运算后再加密的结果是相同的。
4.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对运行状态数据进行预分析的方法包括：
采集制造业装备的历史运行数据，对所述制造业装备历史运行数据进行预处理，其中，预处理包括对所述装备历史数据进行清洗，剔除异常、缺失的样本数据；
对预处理后的历史运行数据构建装备运行时间序列数据；
对所述装备运行时间序列数据进行归一化处理。
5.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对预处理后的历史运行数据构建装备运行时间序列数据方法包括：对经过预处理后的历史运行数据按每时段统计，并按时间顺序构建装备运行时间序列数据。
6.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，对所述装备运行时间序列数据进行归一化处理方法包括：
获取装备运行时间序列数据中的最大值和最小值；
对每个时段的装备运行时间序列数据归一化在0-1之间，归一化公式为
其中x'为归一化后的值，x为装备运行数据时间序列数据的实际值，xmin为装备运行数据时间序列数据中的最小值，xmax为装备运行数据时间序列数据中的最大值。
7.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，聚合服务器通过加权平均聚合各本地故障监测模型参数的方法包括：聚合服务器在接收到所有装备的本地故障监测模型参数后，解密所有本地故障监测模型参数，基于加权平均法聚合所有本地故障监测模型参数，得到全局故障监测模型参数并建立全局故障监测模型；
其中，聚合本地故障监测模型参数的加权平均法公式为
其中，w为聚合后的全局故障监测模型参数，wi为装备i的本地故障监测模型参数，pi为本地故障监测模型参数wi的权重值，ni为装备i的本地训练数据的数量，n为所有装备的本地训练数据的总数量。
8.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，所述全局故障监测模型收敛的判断方法包括：对建立的全局故障监测模型进行检测，通过测试数据计算预测误差值判断全局故障模型是否收敛，若未收敛，聚合服务器将全局故障监测模型参数加密后发送给各装备，各装备解密全局故障监测模型参数并更新本地故障监测模型参数，继续迭代训练，直到全局故障监测模型收敛。
9.根据权利要求8所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，将收敛的全局故障监测模型作为最终的制造业装备故障监测模型。
10.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练方法，其特征在于，每个装备利用本地装备运行时间序列数据每次进行200轮本地故障监测模型训练后再发送至聚合服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549240.3A CN114330741A (zh) | 2021-12-17 | 2021-12-17 | 一种基于联邦学习的制造业装备故障监测模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549240.3A CN114330741A (zh) | 2021-12-17 | 2021-12-17 | 一种基于联邦学习的制造业装备故障监测模型训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330741A true CN114330741A (zh) | 2022-04-12 |
Family
ID=81052896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111549240.3A Pending CN114330741A (zh) | 2021-12-17 | 2021-12-17 | 一种基于联邦学习的制造业装备故障监测模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330741A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520814A (zh) * | 2023-07-03 | 2023-08-01 | 清华大学 | 云边协同架构下基于联邦学习的设备故障预测方法及装置 |
-
2021
- 2021-12-17 CN CN202111549240.3A patent/CN114330741A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520814A (zh) * | 2023-07-03 | 2023-08-01 | 清华大学 | 云边协同架构下基于联邦学习的设备故障预测方法及装置 |
| CN116520814B (zh) * | 2023-07-03 | 2023-09-05 | 清华大学 | 云边协同架构下基于联邦学习的设备故障预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114330740A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练系统 | |
| CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
| Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| WO2018133924A1 (en) | Methods and apparatus for analysing performance of a telecommunications network | |
| CN117010863A (zh) | 一种基于物联网技术的市政管网健康度在线监测系统和方法 | |
| CN109462521A (zh) | 一种适用于源网荷互动工控系统的网络流量异常检测方法 | |
| CN109034140B (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN116772944A (zh) | 配气站的智能监控系统及其方法 | |
| US11906112B2 (en) | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof | |
| US11842301B1 (en) | Methods for monitoring distributed energy storage safety and internet of things systems thereof | |
| CN107103410A (zh) | 一种建筑工程质量检测的监管系统及方法 | |
| CN108306997B (zh) | 域名解析监控方法及装置 | |
| CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
| CN114330741A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练方法 | |
| CN116880320A (zh) | 一种热力管网调度监控方法及监控平台、装置、存储介质 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
| CN117669888A (zh) | 一种二次供水远程监控系统 | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
| CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
| CN115562143B (zh) | 一种基于物联网的阀门远程故障监控方法及系统 |
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 |