CN114662618B - 一种基于联邦学习的故障诊断方法、装置及相关设备 - Google Patents

一种基于联邦学习的故障诊断方法、装置及相关设备 Download PDF

Info

Publication number
CN114662618B
CN114662618B CN202210560628.1A CN202210560628A CN114662618B CN 114662618 B CN114662618 B CN 114662618B CN 202210560628 A CN202210560628 A CN 202210560628A CN 114662618 B CN114662618 B CN 114662618B
Authority
CN
China
Prior art keywords
data
fault
model
production data
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.)
Active
Application number
CN202210560628.1A
Other languages
English (en)
Other versions
CN114662618A (zh
Inventor
曹文治
龚思远
陈晓红
胡东滨
刘利枚
易国栋
杨艺
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210560628.1A priority Critical patent/CN114662618B/zh
Publication of CN114662618A publication Critical patent/CN114662618A/zh
Application granted granted Critical
Publication of CN114662618B publication Critical patent/CN114662618B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • 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

Abstract

本发明涉及故障诊断领域，公开了一种基于联邦学习的故障诊断方法、装置、计算机设备及存储介质，所述方法包括：从至少一个工厂节点上实时采集生产数据；判断生产数据是否处于工厂节点对应时段的对比区间中，得到第一判断结果；当第一判断结果为生产数据处于工厂节点对应时段的对比区间中，则确定生产数据为正常数据，否则，将生产数据作为待诊断数据；将待诊断数据输入联邦学习故障诊断模型中；基于联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，得到第二判断结果；根据第二判断结果，确定待诊断数据的数据类型，其中，数据类型包括正常数据和故障数据，采用本发明提高了智能制造过程中的自动化故障诊断的诊断准确率。

Description

一种基于联邦学习的故障诊断方法、装置及相关设备
技术领域
本发明涉及故障诊断领域，尤其涉及一种基于联邦学习的故障诊断方法、装置、计算机设备及存储介质。
背景技术
随着工业互联网平台的建设日益成熟，智能制造不仅是工业互联网的核心，也是发展先进制造业的关键。智能制造贯穿设计、生产、管理和服务等制造活动的各个环节，涵盖感知层、网络层、执行层和应用层四个层次，具有自感知、自学习、自决策、自执行、自适应等功能，其中，感知层由各种行业传感器、大量联网设备和RFID（Radio FrequencyIdentification，射频识别技术）等组成，为智能制造生产后续流程提供充实的数据支持。因此，在智能制造工业流程数据监测的过程中，通过传感器数据进行自动化故障诊断是保证智能制造执行层和应用层正常运作必不可少的一环。上述故障诊断可包括数据缺失、设备参数异常等。
但现在大多数故障诊断深度学习模型使用的训练数据存在较多问题。例如，当将生产数据作为训练数据时，由于生产数据中包含大量敏感信息，如产能、工作效率。这些数据在传输到云端的时候存在诸多安全问题，导致工厂之间难以共享生产数据；而对于单个工厂而言，故障属于正常制造生产流程中的少数情况，由于安全问题，工厂之间不共享生产数据，使得单个工厂实际上故障样本严重不足。因此，单个工厂在使用故障样本训练故障监测模型时，训练效果不理想，使得智能制造过程中的自动化故障诊断的诊断准确率低。
因此，现有工业互联网平台存在因不同工厂为保护各自数据安全，而使得单个工厂智能制造过程中的自动化故障诊断的诊断准确率低的问题。
发明内容
本发明实施例提供一种基于联邦学习的故障诊断方法、装置、计算机设备和存储介质，以使得不同工厂在保护各自数据安全的前提下，提高智能制造过程中的自动化故障诊断的诊断准确率。
为了解决上述技术问题，本申请实施例提供一种基于联邦学习的故障诊断方法，包括。
从至少一个工厂节点上实时采集生产数据。
判断所述生产数据是否处于所述工厂节点对应时段的对比区间中，得到第一判断结果，其中，所述对比区间为预测值范围，所述预测值范围通过所述工厂节点的正常运行情况预测模型在预设预测时段计算得到。
当所述第一判断结果为所述生产数据处于所述工厂节点对应时段的对比区间中，则确定所述生产数据为正常数据，否则，将所述生产数据作为待诊断数据。
将所述待诊断数据输入联邦学习故障诊断模型中，其中，所述联邦学习故障诊断模型包括所有工厂节点的故障类型。
基于所述联邦学习故障诊断模型中所有故障类型，对所述待诊断数据进行故障判断，得到第二判断结果。
根据所述第二判断结果，确定所述待诊断数据的数据类型，其中，所述数据类型包括正常数据和故障数据。
为了解决上述技术问题，本申请实施例还提供一种基于联邦学习的故障诊断装置，包括。
生产数据获取模块，用于从至少一个工厂节点上实时采集生产数据。
第一判断结果获取模块，用于判断所述生产数据是否处于所述工厂节点对应时段的对比区间中，得到第一判断结果，其中，所述对比区间为预测值范围，所述预测值范围通过所述工厂节点的正常运行情况预测模型在预设预测时段计算得到。
待诊断数据获取模块，用于当所述第一判断结果为所述生产数据处于所述工厂节点对应时段的对比区间中，则确定所述生产数据为正常数据，否则，将所述生产数据作为待诊断数据。
输入模块，用于将所述待诊断数据输入联邦学习故障诊断模型中，其中，所述联邦学习故障诊断模型包括所有工厂节点的故障类型。
第二判断结果获取模块，用于基于所述联邦学习故障诊断模型中所有故障类型，对所述待诊断数据进行故障判断，得到第二判断结果。
数据类型确定模块，用于据所述第二判断结果，确定所述待诊断数据的数据类型，其中，所述数据类型包括正常数据和故障数据。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于联邦学习的故障诊断方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于联邦学习的故障诊断方法的步骤。
本发明实施例提供的基于联邦学习的故障诊断方法、装置、计算机设备及存储介质，通过从至少一个工厂节点上实时采集生产数据；判断生产数据是否处于工厂节点对应时段的对比区间中，得到第一判断结果，其中，对比区间为预测值范围，预测值范围通过工厂节点的正常运行情况预测模型在预设预测时段计算得到；当第一判断结果为生产数据处于工厂节点对应时段的对比区间中，则确定生产数据为正常数据，否则，将生产数据作为待诊断数据；将待诊断数据输入联邦学习故障诊断模型中，其中，联邦学习故障诊断模型包括所有工厂节点的故障类型；基于联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，得到第二判断结果；根据第二判断结果，确定待诊断数据的数据类型，其中，数据类型包括正常数据和故障数据。通过上述步骤，提出了一种基于联邦学习的故障诊断模型，通过联邦学习，保证了不同工厂各自数据的安全性，同时提高智能制造过程中的自动化故障诊断的诊断准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图。
图2是本申请的基于联邦学习的故障诊断方法的一个实施例的流程图。
图3是根据本申请的基于联邦学习的故障诊断装置的一个实施例的结构示意图。
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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作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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture E界面显示perts Group Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPicture E界面显示perts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于联邦学习的故障诊断方法由服务器执行，相应地，基于联邦学习的故障诊断装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种基于联邦学习的故障诊断方法，以该方法应用在图1中的服务端为例进行说明，详述如下。
S201：从至少一个工厂节点上实时采集生产数据。
在步骤S201中，上述工厂节点是指单个工厂对应的节点。上述生产数据是指工厂在智能制造过程中产生的数据，包括但不限于产能、工作效率。
此处需要说明的是，工厂的智能制造贯穿设计、生产、管理、服务等制造活动的各个环节，上述生产数据可包括上述各个环节所产生的任意一个或多个数据。
上述实时采集生产数据的方式包括但不限于传感器，优选地，本申请实施例采用分布式传感器。
进一步地，将所有采集到的生产数据存入历史数据集，并通过分布式传感器对历史数据集进行分类工作，将正常运行情况下的生产数据划分归类形成正常运行情况数据集，将故障情况下的生产数据划分归类形成本地故障样本数据集。
应理解，上述历史数据集可以包括单个工厂节点的生产数据，可以包括多个工厂节点的生产数据，根据实际应用进行限制，此处不作具体限制。
通过分布式传感器从至少一个工厂节点上实时采集生产数据，可实现对生产数据进行分析，基于上述生产数据构建正常运行情况预测模型以及联邦学习故障诊断模型，以提高在智能制造过程中的自动化故障诊断的诊断准确率。
S202：判断生产数据是否处于工厂节点对应时段的对比区间中，得到第一判断结果，其中，对比区间为预测值范围，预测值范围通过工厂节点的正常运行情况预测模型在预设预测时段计算得到。
在步骤S202中，上述正常运行情况预测模型是指用于预测生产数据是否为正常数据的模型，上述正常运行情况预测模型的构建包括但不限于机器学习模型，深度学习模型。
优选地，本申请实施例采用机器学习模型。其中，机器学习模型包括但不限于神经网络模型，SVM模型（support vector machines，支持向量机），根据实际需求选择模型构建正常运行情况预测模型，此处不作具体限制。
上述对比区间是指通过工厂节点的正常运行情况预测模型在预设预测时段计算得到的预测值范围。
该预测值范围的获取方法包括但不限于获取预设预测时段的最大值和最小值，并将该最大值和最小值作为预测值范围的上限和下限。
此处需要说明的是，在存在制造流程运行情况下，采集传感器数据并将其传输至对比模块，如果传感器采集数据为空缺，则用相对应预测值填充修复样本数据，若一个时间区间内的传感器采集数据都为空缺，则报告故障异常；此步骤可保证因为外力影响或者采集器因故障或不可抗力造成的数据缺失修复，这样以方便后续的预测输入数据的完整性。
上述预测值获取的方法可根据实际应用进行设置，具体不作限制。例如，获取感知层传感器的实际采集频率，根据实际采集频率确定时间区间和时间窗口，如，以5分钟建立时间窗口，统计该时间区间中的所有预测值，构建对比区间，取对比区间中的预测最大值和预测最小值作为预测值范围的上限和下限，得到预测值范围。
下面以一具体实施例对步骤S202进行说明，假设存在一个生产数据对应的时间为12:00:00，则该工厂节点对应时段包括12:00:00的取值，假设时段为5分钟，则该生产数据对应的时段为12:00:00-12:05:00，则对比区间为工厂节点的正常运行情况预测模型在12:00:00-12:05:00的预测值区间。
上述第一判断结果是指判断生产数据是否处于工厂节点对应时段的对比区间的结果。
通过判断生产数据是否处于工厂节点对应时段的对比区间，可初步确定该生产数据是否正常，通过判断，将满足生产数据处于工厂节点对应时段的对比区间认定为正常数据，使得本申请不需要对所有的生产数据进行故障诊断，提高了对异常数据的故障诊断效率。
S203：当第一判断结果为生产数据处于工厂节点对应时段的对比区间中，则确定生产数据为正常数据，否则，将生产数据作为待诊断数据。
在步骤S203中，上述待诊断数据是指可能存在故障的生产数据。
通过第一判断结果可知，若生产数据处于工厂节点对应时段的对比区间，可确定智能制造过程运行正常，该生产数据正常，若生产数据不处于工厂节点对应时段的对比区间，则该生产数据不能确定是否正常，需要进一步判断，通过判断，以提高在智能制造过程中的自动化故障诊断的诊断准确率。
S204：将待诊断数据输入联邦学习故障诊断模型中，其中，联邦学习故障诊断模型包括所有工厂节点的故障类型。
在步骤S204中，上述联邦学习故障诊断模型是指采用联邦学习算法，用于诊断生产数据是否为故障数据，以及若该生产数据为故障数据时的故障类型。
上述故障类型包括但不限于数据缺失、设备参数异常。
应理解，基于联邦学习算法训练得到的联邦学习故障诊断模型具有数据可用不可见的技术特征，使得不同工厂在保护各自数据安全的前提下，实现数据共享。
通过采用联邦学习故障诊断模型对待诊断数据进行故障判断，使得不同工厂在保护各自数据安全的前提下，提高智能制造过程中的自动化故障诊断的诊断准确率。
S205：基于联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，得到第二判断结果。
在步骤S205中，上述故障判断的方法包括但不限于类型匹配、相似度计算。其中，类型匹配是指将待诊断数据与故障类型进行一对一或者一对多匹配，当存在匹配成功的故障类型，则确定该第二判断结果为待诊断数据为故障数据，否则，则确定该第二判断结果为待诊断数据为正常数据。相似度计算与类型匹配类似，此处不再赘述。
通过联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，能进一步对待诊断数据进行故障诊断，提高智能制造过程中的自动化故障诊断的诊断准确率。
S206：根据第二判断结果，确定待诊断数据的数据类型，其中，数据类型包括正常数据和故障数据。
在步骤S206中，当确定待诊断数据为正常数据时，则将该待诊断数据加入正常运行情况数据集中，当确定待诊断数据为故障数据时，则将该待诊断数据加入本地故障样本数据集中。
通过第二判断结果，确定待诊断数据的数据类型，提高智能制造过程中的自动化故障诊断的诊断准确率。
在本实施例中，通过从至少一个工厂节点上实时采集生产数据；判断生产数据是否处于工厂节点对应时段的对比区间中，得到第一判断结果；当第一判断结果为生产数据处于工厂节点对应时段的对比区间中，则确定生产数据为正常数据，否则，将生产数据作为待诊断数据；将待诊断数据输入联邦学习故障诊断模型中；基于联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，得到第二判断结果；根据第二判断结果，确定待诊断数据的数据类型。通过上述步骤，提出了一种基于联邦学习的故障诊断模型，通过联邦学习，保证了不同工厂各自数据的安全性，同时提高智能制造过程中的自动化故障诊断的诊断准确率。
在本实施例的一些可选的实现方式中，在步骤S201之前，基于联邦学习的故障诊断方法还包括。
A、从至少一个工厂节点中获取采集到的生产数据作为训练集。
B、将从至少一个工厂节点实时采集生产数据的步骤对应的时间作为第N天。
C、从训练集中选取出第N-1天采集到的生产数据作为预测输入数据，对初始化正常运行情况预测模型进行训练，训练到满足预设条件，得到工厂节点上的正常运行情况预测模型。
在步骤A中，上述训练集是指用于训练正常运行情况预测模型的数据。应理解，从至少一个工厂节点中获取采集到的生产数据包括至少一天的生产数据。
在步骤B中，其具体是，将步骤S201中实时采集生产数据对应的时间作为第N天，以第N天作为基准，获取某一天的生产数据。
在步骤C中，上述预测输入数据是指是指输入模型用于训练正常运行情况预测模型的数据。以第N-1天所采集到的生产数据作为预测输入数据，可进一步优化初始化正常运行情况预测模型。
上述预设条件包括但不限于激活函数或者损失值达到指定阈值、训练次数达到指定迭代次数。
通过上述步骤，训练得到正常运行情况预测模型，以便于基于正常运行情况预测模型对第N天的生产数据进行故障诊断，从而提高智能制造过程中的自动化故障诊断的诊断准确率。
在步骤C之后，还包括。
从第N-1天采集到的生产数据中获取正常生产数据和正常生产数据对应的时间。
将正常生产数据和正常生产数据对应的时间作为测试集。
基于工厂节点上的正常运行情况预测模型和正常生产数据对应的时间，对预设预测时段中对测试集进行预测计算，得到每个预设预测时段对应的预测值范围，并将预测值范围作为对比区间。
其中，该预测值范围的获取方法包括但不限于获取预设预测时段的最大值和最小值，并将该最大值和最小值作为预测值范围的上限和下限。
上述预测值获取的方法可根据实际应用进行设置，具体不作限制。例如，获取感知层传感器的实际采集频率，根据实际采集频率确定时间区间和时间窗口，如，以5分钟建立时间窗口，统计该时间区间中的所有预测值，构建对比区间，取对比区间中的预测最大值和预测最小值作为预测值范围的上限和下限，得到预测值范围。
应理解，将第N-1天正常生产数据和正常生产数据对应的时间作为训练完成的正常运行情况预测模型的输入，进行进一步的预测，得到第N天正常运行情况预测值，从而确定第N天的对比区间。
在本实施例中，通过上述步骤，训练得到正常运行情况预测模型和第N天该正常运行情况预测模型的对比区间，以便于基于正常运行情况预测模型对第N天的生产数据进行故障诊断，从而提高智能制造过程中的自动化故障诊断的诊断准确率。
在本实施例的一些可选的实现方式中，在步骤S204之前，基于联邦学习的故障诊断方法还包括。
D、获取本地故障样本数据集，并根据预设比例，将本地故障样本数据集分为训练集和测试集。
E、基于聚类算法，将训练集作为异常诊断局部模型的输入，对异常诊断局部模型进行训练，直到训练到满足预设条件，得到联邦学习故障诊断模型。
在步骤D中，上述本地故障样本数据集是用来存放故障数据的集合。
上述预设比例可根据实际需求具体设置。
优选地，本申请实施例采用按照时间序列7：3的比例将本地故障样本数据集分为训练集合测试集。
在步骤E中，上述聚类算法是指将故障数据进行聚类的算法。
上述聚类算法包括但不限于层次聚类、基于密度的聚类。
优选地，本申请实施例采用k-means聚类方法。
上述预设条件包括但不限于激活函数或者损失值达到指定阈值、训练次数达到指定迭代次数。
步骤E，具体包括但不限于E1至E9。
E1、在工厂节点Z1上构建异常诊断局部模型m1，并基于聚类算法，对训练集中的异常数据进行特征提取，得到故障特征。
E2、基于故障特征，对异常诊断局部模型m1进行训练，直到训练至满足预设条件，并对训练后的异常诊断局部模型m1中的第一故障特征参数进行更新。
E3、基于同态加密算法，采用服务器对更新后的第一故障特征参数进行加密，得到第一加密参数。
E4、基于服务器，将第一加密参数传输到其他所有工厂节点Z2，以使所有工厂节点Z2基于第一加密参数进行训练，得到每一个工厂节点Z2对应的第二加密参数。
E5、基于服务器，将获取到的第二加密参数传输到工厂节点Z1。
E6、基于工厂节点Z1，对获取得到的第二加密参数进行排列组合，并将排列组合得到的参数加入第二加密参数集。
E7、依次从第二加密参数集中选取参数作为待解密参数，并对待解密参数进行解密，得到第二故障特征参数。
E8、基于第二故障特征参数和测试集，对异常诊断局部模型m1进行模型优化，并对经过优化的异常诊断局部模型m1进行训练验证，得到验证结果。
E9、若验证结果为正向，则根据第二故障特征参数，更新第一故障特征参数，并返回到基于服务器，将获取到的第二加密参数传输到工厂节点Z1的步骤继续执行，直到所有第二加密参数获取完毕，将异常诊断局部模型m1作为联邦学习故障诊断模型。
对于步骤E1，上述聚类算法是指将故障数据进行聚类的算法。
上述聚类算法包括但不限于层次聚类、基于密度的聚类。
优选地，本申请实施例采用k-means聚类方法。
对于步骤E2，上述预设条件包括但不限于激活函数或者损失值达到指定阈值、训练次数达到指定迭代次数。
按照如下公式（1），对训练后的异常诊断局部模型m1中的第一故障特征参数进行更新。
Figure 301174DEST_PATH_IMAGE001
（1）
其中，Ym1是指的异常诊断局部模型m1中更新后的第一故障特征参数，i为聚类算法提取出的故障异常特征标号，
Figure 952736DEST_PATH_IMAGE002
为异常诊断局部模型m1中更新前的故障特征参数。
对于步骤E3，采用同态加密算法加密的数据进行处理得到一个输出，将这一输出进行解密，其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。
对于步骤E4，上述工厂节点Z1和工厂节点Z2是指联邦学习中的节点，此处采用工厂节点Z1和工厂节点Z2的标注是为了方便对本申请实施例进行解释说明。
应理解，上述步骤E1至E9可应用于联邦学习中的任意节点上。每个工厂节点都有自己的加密参数，每个工厂节点都会拿到除了自己节点对应的加密参数以外的所有加密参数，采用排列组合出最优结果的方法来确定最后的最优加密参数。
对于步骤E5，其具体是，当服务器接收到来自工厂节点Z2的第二加密参数时，则将获取得到的第二加密参数传输到工厂节点Z1。
应理解，工厂节点Z2的第二加密参数不一定是同时产生的，且工厂节点Z2在联邦学习过程中，若存在自身模型效果优化更佳的第二加密参数，可再一次将第二加密参数传输给服务器。每当服务器接收到来自工厂节点Z2的第二加密参数时，则直接将获取得到的第二加密参数传输到工厂节点Z1。上述过程动态进行，直到工厂节点Z2不再产生第二加密参数。
对于步骤E6，上述排列组合是指将获取到的第二加密参数进行排列组合的过程。例如，获得到的第二加密参数包括K1、K2、K3，则对K1、K2、K3进行排列组合得到第二加密参数集{( K1)，( K2)，( K3)，( K1，K2)，( K1，K3)，( K2，K3),( K1, K2, K3)}。
对于步骤E7，采用累加法进行模型优化，基于得到的第二故障特征参数依次更新工厂节点Z1上的第一故障特征参数，将训练集作为参数更新后的模型输入，训练异常诊断局部模型m1，训练到该模型达到预设条件。
上述训练验证是指验证模型优化的效果。
通过上述步骤，训练得到联邦学习故障诊断模型，以便于基于联邦学习故障诊断模型对第N天的生产数据进行故障诊断，使得不同工厂在保护各自数据安全的前提下，提高智能制造过程中的自动化故障诊断的诊断准确率。
在本实施例中，通过聚类算法和联邦学习训练得到联邦学习故障诊断模型，使得不同工厂在保护各自数据安全的前提下，提高智能制造过程中的自动化故障诊断的诊断准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例基于联邦学习的故障诊断方法一一对应的基于联邦学习的故障诊断装置的原理框图。如图3所示，该基于联邦学习的故障诊断装置包括生产数据获取模块31、第一判断结果获取模块32、待诊断数据获取模块33、输入模块34、第二判断结果获取模块35和数据类型确定模块36。各功能模块详细说明如下。
生产数据获取模块31，用于从至少一个工厂节点上实时采集生产数据。
第一判断结果获取模块32，用于判断生产数据是否处于工厂节点对应时段的对比区间中，得到第一判断结果，其中，对比区间为预测值范围，预测值范围通过工厂节点的正常运行情况预测模型在预设预测时段计算得到。
待诊断数据获取模块33，用于当第一判断结果为生产数据处于工厂节点对应时段的对比区间中，则确定生产数据为正常数据，否则，将生产数据作为待诊断数据。
输入模块34，用于将待诊断数据输入联邦学习故障诊断模型中，其中，联邦学习故障诊断模型包括所有工厂节点的故障类型。
第二判断结果获取模块35，用于基于联邦学习故障诊断模型中所有故障类型，对待诊断数据进行故障判断，得到第二判断结果。
数据类型确定模块36，用于据第二判断结果，确定待诊断数据的数据类型，其中，数据类型包括正常数据和故障数据。
可选地，在第一判断结果获取模块32之前，基于联邦学习的故障诊断装置还包括。
训练集获取模块，用于从至少一个工厂节点中获取采集到的生产数据作为训练集。
时间模块，用于将从至少一个工厂节点实时采集生产数据的步骤对应的时间作为第N天。
训练模块，用于从训练集中选取出第N-1天采集到的生产数据作为预测输入数据，对初始化正常运行情况预测模型进行训练，训练到满足预设条件，得到工厂节点上的正常运行情况预测模型。
可选地，训练模块之后，基于联邦学习的故障诊断装置还包括。
正常生产数据获取模块，用于从第N-1天采集到的生产数据中获取正常生产数据和正常生产数据对应的时间。
测试集获取模块，用于将正常生产数据和正常生产数据对应的时间作为测试集。
对比区间获取模块，用于基于工厂节点上的正常运行情况预测模型和正常生产数据对应的时间，对预设预测时段中对测试集进行预测计算，得到每个预设预测时段对应的预测值范围，并将预测值范围作为对比区间。
可选地，在输入模块34之前，基于联邦学习的故障诊断装置还包括。
本地故障样本数据集获取模块，用于获取本地故障样本数据集，并根据预设比例，将本地故障样本数据集分为训练集和测试集。
模型训练模块，用于基于聚类算法，将训练集作为异常诊断局部模型的输入，对异常诊断局部模型进行训练，直到训练到满足预设条件，得到联邦学习故障诊断模型。
可选地，模型训练模块包括。
故障特征获取单元，用于在工厂节点Z1上构建异常诊断局部模型m1，并基于聚类算法，对训练集中的异常数据进行特征提取，得到故障特征。
更新单元，用于基于故障特征，对异常诊断局部模型m1进行训练，直到训练至满足预设条件，并对训练后的异常诊断局部模型m1中的第一故障特征参数进行更新。
第一加密单元，用于基于同态加密算法，采用服务器对更新后的第一故障特征参数进行加密，得到第一加密参数。
第二加密单元，用于基于服务器，将第一加密参数传输到其他所有工厂节点Z2，以使所有工厂节点Z2基于第一加密参数进行训练，得到每一个工厂节点Z2对应的第二加密参数。
参数传输单元，用于基于服务器，将获取到的第二加密参数传输到工厂节点Z1。
排列组合单元，用于基于工厂节点Z1，对获取得到的第二加密参数进行排列组合，并将排列组合得到的参数加入第二加密参数集。
解密单元，用于依次从第二加密参数集中选取参数作为待解密参数，并对待解密参数进行解密，得到第二故障特征参数。
模型优化单元，用于基于第二故障特征参数和测试集，对异常诊断局部模型m1进行模型优化，并对经过优化的异常诊断局部模型m1进行训练验证，得到验证结果。
联邦学习故障诊断模型获取单元，用于若验证结果为正向，则根据第二故障特征参数，更新第一故障特征参数，并返回到基于服务器，将获取到的第二加密参数传输到工厂节点Z1的步骤继续执行，直到所有第二加密参数获取完毕，将异常诊断局部模型m1作为联邦学习故障诊断模型。
关于基于联邦学习的故障诊断装置的具体限定可以参见上文中对于基于联邦学习的故障诊断方法的限定，在此不再赘述。上述基于联邦学习的故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于联邦学习的故障诊断方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (8)

1.一种基于联邦学习的故障诊断方法，其特征在于，所述基于联邦学习的故障诊断方法包括：
从至少一个工厂节点上实时采集生产数据；
判断所述生产数据是否处于所述工厂节点对应时段的对比区间中，得到第一判断结果，其中，所述对比区间为预测值范围，所述预测值范围通过所述工厂节点的正常运行情况预测模型在预设预测时段计算得到；
当所述第一判断结果为所述生产数据处于所述工厂节点对应时段的对比区间中，则确定所述生产数据为正常数据，否则，将所述生产数据作为待诊断数据；
将所述待诊断数据输入联邦学习故障诊断模型中，其中，所述联邦学习故障诊断模型包括所有工厂节点的故障类型；
基于所述联邦学习故障诊断模型中所有故障类型，对所述待诊断数据进行故障判断，得到第二判断结果；
根据所述第二判断结果，确定所述待诊断数据的数据类型，其中，所述数据类型包括正常数据和故障数据；
其中，所述将所述待诊断数据输入联邦学习故障诊断模型中之前，所述方法还包括：
获取本地故障样本数据集，并根据预设比例，将所述本地故障样本数据集分为训练集和测试集；
基于聚类算法，将所述训练集作为异常诊断局部模型的输入，对所述异常诊断局部模型进行训练，直到训练到满足预设条件，得到所述联邦学习故障诊断模型；
其中，所述基于聚类算法，将所述训练集作为异常诊断局部模型的输入，对所述异常诊断局部模型进行训练，直到训练到满足预设条件，得到所述联邦学习故障诊断模型的步骤包括：
在所述工厂节点Z1上构建异常诊断局部模型m1，并基于聚类算法，对所述训练集中的异常数据进行特征提取，得到故障特征；
基于所述故障特征，对所述异常诊断局部模型m1进行训练，直到训练至满足预设条件，并对训练后的所述异常诊断局部模型m1中的第一故障特征参数进行更新；
基于同态加密算法，采用服务器对所述更新后的第一故障特征参数进行加密，得到第一加密参数；
基于所述服务器，将所述第一加密参数传输到其他所有工厂节点Z2，以使所有所述工厂节点Z2基于所述第一加密参数进行训练，得到每一个所述工厂节点Z2对应的第二加密参数；
基于所述服务器，将获取到的第二加密参数传输到所述工厂节点Z1；
基于所述工厂节点Z1，对获取得到的第二加密参数进行排列组合，并将排列组合得到的参数加入第二加密参数集；
依次从所述第二加密参数集中选取参数作为待解密参数，并对所述待解密参数进行解密，得到第二故障特征参数；
基于所述第二故障特征参数和所述测试集，对所述异常诊断局部模型m1进行模型优化，并对经过优化的所述异常诊断局部模型m1进行训练验证，得到验证结果；
若所述验证结果为正向，则根据所述第二故障特征参数，更新所述第一故障特征参数，并返回到所述基于所述服务器，将获取到的第二加密参数传输到所述工厂节点Z1的步骤继续执行，直到所有所述第二加密参数获取完毕，将所述异常诊断局部模型m1作为联邦学习故障诊断模型。
2.如权利要求1所述的基于联邦学习的故障诊断方法，其特征在于，在所述从至少一个工厂节点上实时采集生产数据之前，所述方法还包括：
从至少一个工厂节点中获取采集到的生产数据作为训练集；
将所述从至少一个工厂节点实时采集生产数据的步骤对应的时间作为第N天；
从训练集中选取出第N-1天采集到的生产数据作为预测输入数据，对初始化正常运行情况预测模型进行训练，训练到满足预设条件，得到所述工厂节点上的正常运行情况预测模型。
3.如权利要求2所述的基于联邦学习的故障诊断方法，其特征在于，在所述从训练集中选取出第N-1天采集到的生产数据作为预测输入数据，对初始化正常运行情况预测模型进行训练，训练到满足预设条件，得到所述工厂节点上的正常运行情况预测模型之后，所述方法还包括：
从第N-1天采集到的生产数据中获取正常生产数据和所述正常生产数据对应的时间；
将所述正常生产数据和所述正常生产数据对应的时间作为测试集；
基于所述工厂节点上的正常运行情况预测模型和所述正常生产数据对应的时间，对预设预测时段中对所述测试集进行预测计算，得到每个预设预测时段对应的预测值范围，并将所述预测值范围作为对比区间。
4.一种基于联邦学习的故障诊断装置，其特征在于，所述基于联邦学习的故障诊断装置包括：
生产数据获取模块，用于从至少一个工厂节点上实时采集生产数据；
第一判断结果获取模块，用于判断所述生产数据是否处于所述工厂节点对应时段的对比区间中，得到第一判断结果，其中，所述对比区间为预测值范围，所述预测值范围通过所述工厂节点的正常运行情况预测模型在预设预测时段计算得到；
待诊断数据获取模块，用于当所述第一判断结果为所述生产数据处于所述工厂节点对应时段的对比区间中，则确定所述生产数据为正常数据，否则，将所述生产数据作为待诊断数据；
输入模块，用于将所述待诊断数据输入联邦学习故障诊断模型中，其中，所述联邦学习故障诊断模型包括所有工厂节点的故障类型；
第二判断结果获取模块，用于基于所述联邦学习故障诊断模型中所有故障类型，对所述待诊断数据进行故障判断，得到第二判断结果；
数据类型确定模块，用于据所述第二判断结果，确定所述待诊断数据的数据类型，其中，所述数据类型包括正常数据和故障数据；
其中，所述输入模块之前，所述装置还包括：
本地故障样本数据集获取模块，用于获取本地故障样本数据集，并根据预设比例，将所述本地故障样本数据集分为训练集和测试集；
模型训练模块，用于基于聚类算法，将所述训练集作为异常诊断局部模型的输入，对所述异常诊断局部模型进行训练，直到训练到满足预设条件，得到所述联邦学习故障诊断模型；
其中，所述模型训练模块包括：
故障特征获取单元，用于在所述工厂节点Z1上构建异常诊断局部模型m1，并基于聚类算法，对所述训练集中的异常数据进行特征提取，得到故障特征；
更新单元，用于基于所述故障特征，对所述异常诊断局部模型m1进行训练，直到训练至满足预设条件，并对训练后的所述异常诊断局部模型m1中的第一故障特征参数进行更新；
第一加密单元，用于基于同态加密算法，采用服务器对所述更新后的第一故障特征参数进行加密，得到第一加密参数；
第二加密单元，用于基于所述服务器，将所述第一加密参数传输到其他所有工厂节点Z2，以使所有所述工厂节点Z2基于所述第一加密参数进行训练，得到每一个所述工厂节点Z2对应的第二加密参数；
参数传输单元，用于基于所述服务器，将获取到的第二加密参数传输到所述工厂节点Z1；
排列组合单元，用于基于所述工厂节点Z1，对获取得到的第二加密参数进行排列组合，并将排列组合得到的参数加入第二加密参数集；
解密单元，用于依次从所述第二加密参数集中选取参数作为待解密参数，并对所述待解密参数进行解密，得到第二故障特征参数；
模型优化单元，用于基于所述第二故障特征参数和所述测试集，对所述异常诊断局部模型m1进行模型优化，并对经过优化的所述异常诊断局部模型m1进行训练验证，得到验证结果；
联邦学习故障诊断模型获取单元，用于若所述验证结果为正向，则根据所述第二故障特征参数，更新所述第一故障特征参数，并返回到所述基于所述服务器，将获取到的第二加密参数传输到所述工厂节点Z1的步骤继续执行，直到所有所述第二加密参数获取完毕，将所述异常诊断局部模型m1作为联邦学习故障诊断模型。
5.如权利要求4所述的基于联邦学习的故障诊断装置，其特征在于，在所述生产数据获取模块之前，所述装置还包括：
训练集获取模块，用于从至少一个工厂节点中获取采集到的生产数据作为训练集；
时间模块，用于将所述从至少一个工厂节点实时采集生产数据的步骤对应的时间作为第N天；
训练模块，用于从训练集中选取出第N-1天采集到的生产数据作为预测输入数据，对初始化正常运行情况预测模型进行训练，训练到满足预设条件，得到所述工厂节点上的正常运行情况预测模型。
6.如权利要求5所述的基于联邦学习的故障诊断装置，其特征在于，所述训练模块之后，所述装置还包括：
正常生产数据获取模块，用于从第N-1天采集到的生产数据中获取正常生产数据和所述正常生产数据对应的时间；
测试集获取模块，用于将所述正常生产数据和所述正常生产数据对应的时间作为测试集；
对比区间获取模块，用于基于所述工厂节点上的正常运行情况预测模型和所述正常生产数据对应的时间，对预设预测时段中对所述测试集进行预测计算，得到每个预设预测时段对应的预测值范围，并将所述预测值范围作为对比区间。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的基于联邦学习的故障诊断方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于联邦学习的故障诊断方法。
CN202210560628.1A 2022-05-23 2022-05-23 一种基于联邦学习的故障诊断方法、装置及相关设备 Active CN114662618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210560628.1A CN114662618B (zh) 2022-05-23 2022-05-23 一种基于联邦学习的故障诊断方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210560628.1A CN114662618B (zh) 2022-05-23 2022-05-23 一种基于联邦学习的故障诊断方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN114662618A CN114662618A (zh) 2022-06-24
CN114662618B true CN114662618B (zh) 2022-08-09

Family

ID=82037298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210560628.1A Active CN114662618B (zh) 2022-05-23 2022-05-23 一种基于联邦学习的故障诊断方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN114662618B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113241A (zh) * 2023-05-12 2023-11-24 中南大学 基于边缘学习的智能漏损监测方法
CN116346863B (zh) * 2023-05-29 2023-08-01 湘江实验室 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN117035747B (zh) * 2023-10-09 2024-02-02 国网山东省电力公司博兴县供电公司 一种机房多系统故障诊断处理方法、系统、设备及介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104343711B (zh) * 2013-07-27 2016-06-01 华北电力大学（保定） 一种用于风机非平稳状态故障预警的装置及方法
CN107977672A (zh) * 2017-11-10 2018-05-01 河海大学常州校区 基于海量数据并行运算的sf6设备二级故障诊断方法
CN111537945B (zh) * 2020-06-28 2021-05-11 南方电网科学研究院有限责任公司 基于联邦学习的智能电表故障诊断方法及设备
US20220044162A1 (en) * 2020-08-06 2022-02-10 Fujitsu Limited Blockchain-based secure federated learning
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
CN113283175B (zh) * 2021-06-09 2023-02-03 上海交通大学 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法
CN113901412A (zh) * 2021-10-18 2022-01-07 国网山东省电力公司济宁供电公司 电能质量扰动检测方法及装置、电子设备、存储介质
CN114330740A (zh) * 2021-12-17 2022-04-12 青岛鹏海软件有限公司 一种基于联邦学习的制造业装备故障监测模型训练系统

Also Published As

Publication number Publication date
CN114662618A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN114662618B (zh) 一种基于联邦学习的故障诊断方法、装置及相关设备
US11792229B2 (en) AI-driven defensive cybersecurity strategy analysis and recommendation system
CN111475804A (zh) 一种告警预测方法及系统
CN107346388A (zh) Web攻击检测方法及装置
CN112149329B (zh) 核电厂关键设备的状态预演方法、系统、设备及存储介质
CN113726784B (zh) 一种网络数据的安全监控方法、装置、设备及存储介质
WO2021216163A2 (en) Ai-driven defensive cybersecurity strategy analysis and recommendation system
CN112132676A (zh) 联合训练目标模型的贡献度的确定方法、装置和终端设备
CN113592019A (zh) 基于多模型融合的故障检测方法、装置、设备及介质
CN112463422A (zh) 物联网故障运维方法、装置、计算机设备及存储介质
CN104618175A (zh) 网络异常检测方法
CN113986564A (zh) 应用数据的流量监控方法、装置、计算机设备及介质
CN115329876A (zh) 一种设备故障处理方法、装置、计算机设备及存储介质
CN115237724A (zh) 基于人工智能的数据监控方法、装置、设备及存储介质
CN113282920B (zh) 日志异常检测方法、装置、计算机设备和存储介质
CN113946492A (zh) 一种智能运维方法、装置、设备及存储介质
WO2022115419A1 (en) Method of detecting an anomaly in a system
CN111062827B (zh) 一种基于人工智能模式的工程监理方法
CN111639360A (zh) 智能数据脱敏方法、装置、计算机设备及存储介质
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN116776150A (zh) 接口异常访问识别方法、装置、计算机设备及存储介质
CN114722025A (zh) 基于预测模型的数据预测方法、装置、设备及存储介质
CN114567374A (zh) 检验设施点运行状况方法、及其相关设备
CN114756850A (zh) 数据的获取方法、装置、设备及存储介质

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