CN115758239A - 基于图神经的联邦迁移学习传动系统健康状态评估方法 - Google Patents

基于图神经的联邦迁移学习传动系统健康状态评估方法 Download PDF

Info

Publication number
CN115758239A
CN115758239A CN202211383724.XA CN202211383724A CN115758239A CN 115758239 A CN115758239 A CN 115758239A CN 202211383724 A CN202211383724 A CN 202211383724A CN 115758239 A CN115758239 A CN 115758239A
Authority
CN
China
Prior art keywords
data
domain
representing
federal
graph
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
Application number
CN202211383724.XA
Other languages
English (en)
Inventor
尹爱军
孙旷驰
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202211383724.XA priority Critical patent/CN115758239A/zh
Publication of CN115758239A publication Critical patent/CN115758239A/zh
Pending legal-status Critical Current

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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图神经的联邦迁移学习传动系统健康状态评估方法，包括如下步骤：步骤一：数据采集：采集传动系统在运行过程中的数据，预处理后得到多传感数据；步骤二：将经过预处理后的多传感数据构建为二维矩阵图；步骤三：将构建得到的二维矩阵图输入图卷积神经网络，提取得到多感知域特征；步骤四：利用联邦迁移学习实现局部训练和全局更新，在联邦迁移学习中引入最大均值差异和对抗域自适应方法衡量不同域数据之间的差异，并整合损失函数信息，以数据特征差异衡量指标，实现对未知的传动系统健康状态的目标域进行预测。能够挖掘多传感器数据之间的内在关联，提升数据传输过程的数据隐私安全性，实现数据不可见的情形下对数据的利用。

Description

基于图神经的联邦迁移学习传动系统健康状态评估方法
技术领域
本发明属于机械传动系统状态监测技术领域，具体的为一种基于图神经的联邦迁移学习传动系统健康状态评估方法。
背景技术
卫星天线由于工作环境特殊，其服役工况一般较恶劣，实现卫星天线传动系统的健康状态监测是一个挑战性课题。天线传动系统作为卫星天线内部的关键设备对保证天线正常运行有重要作用，因此针对卫星天线传动系统健康监测尤为重要。当前卫星天线的维护常常依靠人工定期巡检，然而该方法受限于巡检人员的技术水平和管理经验，存在一定的人为因素干扰，且目前相关方法未形成有效的预防性的维护保养措施。随着人工智能技术的飞速发展，远程无人值守已成为新的趋势。因此，迫切需要开发一种智能卫星天线传动系统健康状态评估方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于图神经的联邦迁移学习传动系统健康状态评估方法，能够挖掘多传感器数据之间的内在关联，提升数据传输过程的数据隐私安全性，实现数据不可见的情形下对数据的利用。
为达到上述目的，本发明提供如下技术方案：
一种基于图神经的联邦迁移学习传动系统健康状态评估方法，包括如下步骤：
步骤一：数据采集：采集传动系统在运行过程中的数据，并对采集得到的数据进行预处理后得到多传感数据；
步骤二：将经过预处理后的多传感数据构建为二维矩阵图；
步骤三：将构建得到的二维矩阵图输入多感知域聚集图卷积神经网络(cluster-Graph Convolution Network，cluster-GCN)，提取得到多感知域特征；
步骤四：利用联邦迁移学习实现局部训练和全局更新，在联邦迁移学习中引入最大均值差异和对抗域自适应方法衡量不同域数据之间的差异，并整合损失函数信息，以数据特征差异衡量指标，实现对未知的传动系统健康状态的目标域进行预测。
进一步，所述步骤一中，所述多传感器数据包括传动系统在运行过程中的振动数据、温度数据和转速数据，在数据采集过程中，分别利用加速度传感器、热电偶传感和电涡流位移传感器采集传动系统的振动数据、温度数据和转速数据。
进一步，对振动数据的预处理方法为：将振动数据Si(t)进行快速傅里叶变换，得到一维频域特征信号Xi(t)，其中，i＝1，2，3，分别表示振动数据的三个方向。
进一步，采用数据映射函数使温度数据和转速数据映射输出满足0-255的图像像素值要求，所述数据映射函数采用变换后的Sigmoid激活函数，表示为：
Figure BDA0003929715750000021
其中，f(x)表示数据的映射输出；x表示数据。
进一步，所述步骤二中，采用邻接表方法将稀疏的矩阵表连接，实现图数据的构建，原理为：
G(v，e)＝Matrix(M)
其中，G表示生成的二维矩阵图；v表示图的边；e表示图的节点；M为构建的矩阵；Matrix(·)表示邻接表算法。
进一步，所述步骤三中，利用多感知域聚集图卷积神经网络(cluster-GraphConvolution Network，cluster-GCN)提取多感知域特征的方法为：
提取经预处理后的多传感数据的最大值、最小值和均值作为对角线增强值，作为多感知域cluster-GCN的参数，记最大值、最小值和均值分别为λ1，λ2，λ3，多感知域cluster-GCN的邻接矩阵表示为
Figure BDA0003929715750000022
其中，A表示邻接矩阵；
Figure BDA0003929715750000023
和
Figure BDA0003929715750000024
分别表示对应于不同感知域的邻接矩阵和对应于不同感知域的边，i＝1，2，3；ajj，i表示拆分后邻接矩阵中对应于不同感知域的元素值，j＝1，2，...，n；amk，i表示边中对应不同感知域的元素值，m+k＝n+1；
目标函数表示为：
Figure BDA0003929715750000025
其中，
Figure BDA0003929715750000026
表示对应于不同感知域的邻接矩阵；
Figure BDA0003929715750000027
和
Figure BDA0003929715750000028
分别表示邻接矩阵中对应于不同感知域的元素值；σ表示Sigmoid激活函数；W表示权重；W(0)表示第0层权重；W(k)表示第k层的权重；W(k-1)表示第k-1层的权重；X表示输入特征；
提取得到的多感知域特征表示为：
Figure BDA0003929715750000029
其中，
Figure BDA0003929715750000031
表示提取的特征，X表示输入特征，
Figure BDA0003929715750000032
为对应不同感知域的邻接矩阵，
Figure BDA0003929715750000033
表示对角度矩阵。
进一步，所述步骤四中，联邦迁移学习方法为：
将分类器C、判别器D和特征提取器F的参数分别表示为θC，θD和θF，则对抗域自适应的优化目标则表示为：
Figure BDA0003929715750000034
Figure BDA0003929715750000035
Figure BDA0003929715750000036
其中，
Figure BDA0003929715750000037
表示分类器误差及诊断误差，
Figure BDA0003929715750000038
表示域预测误差，
Figure BDA0003929715750000039
和
Figure BDA00039297157500000310
分别表示θF，θC和θD的优化结果；
采用交叉熵损失函数衡量域对齐损失，表示为：
Figure BDA00039297157500000311
其中，D(F(X))的输出结果为0或1，用于区分样本属于那个域；XS表示源域；XT表示目标域；
Figure BDA00039297157500000312
表示源域中数据样本之间的差异，
Figure BDA00039297157500000313
表示目标域中样本之间的差异；
引入最大均值差异衡量源域和目标域数据之间的结构差异，表示为：
Figure BDA00039297157500000314
其中，
Figure BDA00039297157500000315
表示以最大均值差异衡量的源域和目标域数据之间的结构差异；ψ(·)表示映射函数，可实现映射输出到再生希尔伯特空间；
Figure BDA00039297157500000316
和
Figure BDA00039297157500000317
分别表示源域和目标域中的数据；ns表示源域中样本个数；nT表示目标域中样本个数；
整体优化目标数可表示为：
Figure BDA00039297157500000318
Figure BDA00039297157500000319
其中，
Figure BDA00039297157500000320
表示整体优化目标数；
Figure BDA00039297157500000321
表示对抗损失，LS表示源域中样本的标签；α，β表示平衡因子，a满足输出范围为(0，1)。
进一步，在联邦迁移学习中引入自适应权重分配方法分配不同权重用于全局更新，在任意第m轮全局训练中，自适应权重分配方法包括如下步骤：
41)分配第m-1轮的模型权重
Figure BDA00039297157500000322
至不同的源用户；
42)分配的权重
Figure BDA0003929715750000041
在不同的用户以不同的数据、不同的t轮数进行局部训练，得到局部模型训练权重为
Figure BDA0003929715750000042
l表示第l个用户；
43)通过权重
Figure BDA0003929715750000043
更新源特征提取器
Figure BDA0003929715750000044
得到特征提取向量
Figure BDA0003929715750000045
上载权重
Figure BDA0003929715750000046
和特征向量
Figure BDA0003929715750000047
至服务器；
44)目标用户下载权重
Figure BDA0003929715750000048
和特征向量
Figure BDA0003929715750000049
并通过无标签用户数据生成对应的目标特征向量
Figure BDA00039297157500000410
45)利用得到的
Figure BDA00039297157500000411
和
Figure BDA00039297157500000412
计算最大均值差异损失
Figure BDA00039297157500000413
和对抗损失
Figure BDA00039297157500000414
得到整合后的总损失
Figure BDA00039297157500000415
和对应的总权重向量
Figure BDA00039297157500000416
不同权重的重要程度可表示为：
Figure BDA00039297157500000417
自适应权重分配后得到的第m轮全局权重表示为：
Figure BDA00039297157500000418
其中，
Figure BDA00039297157500000419
表示第m轮全局权重；
Figure BDA00039297157500000420
表示第m轮中第l个用户的目标特征；N表示为总轮数。
本发明的有益效果在于：
本发明基于图神经的联邦迁移学习传动系统健康状态评估方法，通过采集的多传感器数据构建二维矩阵，并由邻接表构建图；为更好的发掘数据之间的关联和扩大图神经网络的感知域大小，提出了多尺度聚集图神经网络提取特征信息；通过引入联邦迁移学习方法，在算法中通过最大均值差异和对抗域自适应方法衡量不同域数据之间的差异，并整合损失函数信息，丰富了数据特征差异衡量指标；本发明提出的方法针对传动系统健康状态评估具有独特的优势，不仅解决传统检修方法依赖人值守的问题，还深入挖掘了数据之间的内在关联，同时基于联邦迁移学习的方法可实现数据未知情形下对数据的利用，具备良好的数据隐私性，推广价值及应用价值高。
另外，本发明在联邦迁移学习中引入自适应权重分配方法，以分配不同权重用于全局更新，可以实现联邦迁移学习期间用户重要程度的自动划分。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明基于图神经的联邦迁移学习传动系统健康状态评估方法的流程图；
图2为利用多传感数据构建二维矩阵图的原理图；
图3为多感知域聚集图神经网络的原理图；
图4为在联邦迁移学习中引入对抗域自适应方法的原理图；
图5为自适应权重分配方法的原理图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本实施例以卫星天线传动系统为例，对发明基于图神经的联邦迁移学习传动系统健康状态评估方法的具体实施方式进行详细说明。具体的，本实施例基于图神经的联邦迁移学习传动系统健康状态评估方法，包括如下步骤：
步骤一：数据采集：采集传动系统在运行过程中的数据，并对采集得到的数据进行预处理后得到多传感数据。
本实施例中，在在卫星天线传动系统上人为设置多个传感器。具体的传感器包括加速度传感器、热电偶传感器和电涡流位移传感器，其中加速度传感器采集振动数据，热电偶传感器采集温度数据，电涡流位移传感器采集天线传动系统的转速数据。值得注意的是，多传感器数据可能会存在数据特征信息不明显和干扰成分存在。为解决此问题，需对采集得到的数据进行预处理。
具体的，本实施例中，，对振动数据的预处理方法为：将振动数据Si(t)进行快速傅里叶变换，得到一维频域特征信号Xi(t)，其中，i＝1，2，3，分别表示振动数据的三个方向。
由于温度数据的波动范围满足0-255的图像像素值之间，速度数据的波动范围过大，可进行映射处理，因此对温度数据和速度数据均不进行傅里叶变换。考虑到除振动数据以外，类似于转速数据等存在数据波动不明显和幅值变化过大等问题，因此，有必要提出新的数据映射方法。Sigmoid激活函数可以将数据映射范围调整至0-1之间，然而，得到的映射范围输出尚不能满足0-255的图像像素值要求。具体的，本实施例中，使温度数据和转速数据映射输出满足0-255的图像像素值要求的数据映射函数采用变换后的Sigmoid激活函数，表示为：
Figure BDA0003929715750000051
其中，f(x)表示数据的映射输出；x表示数据。
步骤二：将经过预处理后的多传感数据构建为二维矩阵图，如图2所示。
图数据构建是实现基于图神经网络故障诊断的关键步骤，然而实际信号采集可能存在数据量庞大的问题，因此在图构建之前采取降维措施提升运算效率，可考虑卷积神经网络中的最大池化方法。此时，构建的矩阵类似于图片的像素值编码。本实施例采用邻接表方法将稀疏的矩阵表连接，实现图数据的构建，原理为：
G(v，e)＝Matrix(M)
其中，G表示生成的二维矩阵图；v表示图的边；e表示图的节点；M为构建的矩阵；Matrix(·)表示邻接表算法。
步骤三：将构建得到的二维矩阵图输入多感知域聚集图卷积神经网络(cluster-Graph Convolution Network，cluster-GCN)，提取得到多感知域特征。
对于给定的图数据，图卷积神经网络(Graph Convolution Network，GCN)可依靠对图的边和节点聚合实现信息的更新过程。然而，传统GCN的运算消耗量为O(m*n*p)，m表示节点的数目，n表示表示层数，p表示特征的数目；矩阵运算往往存在计量大的问题。为解决此问题，在cluster-GCN中，图神经网络用于更新特征信息的邻接矩阵被拆分为下式：
Figure BDA0003929715750000061
其中，A表示邻接矩阵；
Figure BDA0003929715750000062
表示拆分后的维度为n*n的拆分后的邻接矩阵；Δ表示不包含子图和子图相连的边；ajj表示拆分后邻接矩阵中的元素值，j＝1，2，...，n；amk表示边中的元素值，m+k＝n+1；
对应的特征矩阵和标签分别表示为[X1，X2，...，Xn]和[L1，L2，...，Ln]；拆分后图卷积神经网络的目标函数表示为：
Figure BDA0003929715750000063
其中，
Figure BDA0003929715750000064
表示邻接矩阵；
Figure BDA0003929715750000065
表示邻接矩阵中的元素值；
Figure BDA0003929715750000066
表示邻接矩阵中的元素值；σ表示激活函数；W表示权重；W(0)表示第0层权重；W(k)表示第k层权重；W(k-1)表示第k-1层权重；X表示输入特征；
然而，如上式所示，cluster-GCN的感知域大小未知。为解决此问题，本实施例利用多感知域聚集图卷积神经网络(cluster-Graph Convolution Network，cluster-GCN)提取多感知域特征。如步骤一所述，利用变换后的Sigmoid激活函数实现对数据的映射，此时同样考虑利用由Sigmoid激活函数得到多传感器输出映射值，并提取其中最大值、最小值和均值作为对角线增强值作为多感知域cluster-GCN的参数。该方法一方面解决了感知域的大小未知问题，另一方面有效了地利用了多传感器数据本身特征信息。具体的，如图3所示，本实施例利用多感知域聚集图卷积神经网络(cluster-Graph Convolution Network，cluster-GCN)提取多感知域特征的方法为：
提取经预处理后的多传感数据的最大值、最小值和均值作为对角线增强值，作为多感知域cluster-GCN的参数，记最大值、最小值和均值分别为λ1，λ2，λ3，多感知域cluster-GCN的邻接矩阵表示为
Figure BDA0003929715750000071
其中，A表示邻接矩阵；
Figure BDA0003929715750000072
和
Figure BDA0003929715750000073
分别表示对应于不同感知域的邻接矩阵和对应于不同感知域的边，i＝1，2，3；ajj，i表示拆分后邻接矩阵中对应于不同感知域的元素值，j＝1，2，...，n；amk，i表示边中对应不同感知域的元素值，m+k＝n+1；
目标函数表示为：
Figure BDA0003929715750000074
其中，
Figure BDA0003929715750000075
表示对应于不同感知域的邻接矩阵；
Figure BDA0003929715750000076
和
Figure BDA0003929715750000077
分别表示邻接矩阵中对应于不同感知域的元素值；σ表示Sigmoid激活函数；W表示权重；W(0)表示第0层权重；W(k)表示第k层权重；W(k-1)表示第k-1层权重；X表示输入特征；
提取得到的多感知域特征表示为：
Figure BDA0003929715750000078
其中，
Figure BDA0003929715750000079
表示提取的特征，X表示输入特征，
Figure BDA00039297157500000710
为对应不同感知域的邻接矩阵，
Figure BDA00039297157500000711
表示对角度矩阵。
步骤四：利用联邦迁移学习实现局部训练和全局更新，在联邦迁移学习中引入最大均值差异和对抗域自适应方法衡量不同域数据之间的差异，并整合损失函数信息，以数据特征差异衡量指标，实现对未知的传动系统健康状态的目标域进行预测。
迁移学习的本质是使用源域中已知知识
Figure BDA00039297157500000712
和对应标签信息
Figure BDA00039297157500000713
学习目标域
Figure BDA00039297157500000714
的预测函数fT(·)。为实现针对卫星天线传动系统无人值守的目的，通过获取的已知多传感器数(源域)对未知健康状态(目标域)的预测。联邦迁移学习可实现局部训练和全局更新的目的，不同的用户即不同卫星天线设备可实现对不同数据训练过程，数据的隐私性更高。
如图4所示，本实施例在联邦迁移学习中引入对抗域自适应方法，若F表示特征提取器，D表示域判别器，其本质是域判别器以特征提取器提取的特征F(X)作为输入，得到对应的预测标签结果D(F(X))，实现对数据的域判别。F的目的是提取数据特征混淆D，通过对抗训练过程学习域不变特征。具体的，本实施例的联邦迁移学习方法为：
将分类器C、判别器D和特征提取器F的参数分别表示为θC，θD和θF，则对抗域自适应的优化目标则表示为：
Figure BDA0003929715750000081
Figure BDA0003929715750000082
Figure BDA0003929715750000083
其中，
Figure BDA0003929715750000084
表示分类器误差及诊断误差，
Figure BDA0003929715750000085
表示域预测误差，
Figure BDA0003929715750000086
和
Figure BDA0003929715750000087
分别表示θF，θC和θD的优化结果；
采用交叉熵损失函数衡量域对齐损失，表示为：
Figure BDA0003929715750000088
其中，D(F(X))的输出结果为0或1，用于区分样本属于那个域；XS表示源域；XT表示目标域；
Figure BDA0003929715750000089
表示源域中数据样本之间的差异，
Figure BDA00039297157500000810
表示目标域中样本之间的差异；
引入最大均值差异衡量源域和目标域数据之间的结构差异，表示为：
Figure BDA00039297157500000811
其中，
Figure BDA00039297157500000812
表示以最大均值差异衡量的源域和目标域数据之间的结构差异；ψ(·)表示映射函数，可实现映射输出到再生希尔伯特空间；
Figure BDA00039297157500000813
和
Figure BDA00039297157500000814
分别表示源域和目标域中的数据；ns表示源域中样本个数；nT表示目标域中样本个数；
整体优化目标数可表示为：
Figure BDA00039297157500000815
Figure BDA00039297157500000816
其中，
Figure BDA00039297157500000817
表示整体优化目标数；
Figure BDA00039297157500000818
表示对抗损失，LS表示源域中样本的标签；α，β表示平衡因子，a满足输出范围为(0，1)。
在本实施例中，有标签训练数据用户称之为源用户，无标签数据及诊断的卫星天线对象称之为目标用户。联邦迁移学习的模型聚合阶段，所有的模型只是简单的平均然后作为上载的全局模型，这种方法可能会导致所用用户共享相同权重的问题，无法区分不同用户的重要程度。为解决此问题，本实施例引入自适应权重分配方法分配不同权重用于全局更新，假设存在N个用户介入联邦学习过程，如图5所示，本实施例以任意第m轮全局训练作为例子，自适应权重分配方法(Adaptive Weight Allocative Algorithm，AWAA)包括如下步骤：
41)分配第m-1轮的模型权重
Figure BDA0003929715750000091
至不同的源用户；
42)分配的权重
Figure BDA0003929715750000092
在不同的用户以不同的数据、不同的t轮数进行局部训练，得到局部模型训练权重为
Figure BDA0003929715750000093
l表示第l个用户；
43)通过权重
Figure BDA0003929715750000094
更新源特征提取器
Figure BDA0003929715750000095
得到特征提取向量
Figure BDA0003929715750000096
上载权重
Figure BDA0003929715750000097
和特征向量
Figure BDA0003929715750000098
至服务器；
44)目标用户下载权重
Figure BDA0003929715750000099
和特征向量
Figure BDA00039297157500000910
并通过无标签用户数据生成对应的目标特征向量
Figure BDA00039297157500000911
45)利用得到的
Figure BDA00039297157500000912
和
Figure BDA00039297157500000913
计算最大均值差异损失
Figure BDA00039297157500000914
和对抗损失
Figure BDA00039297157500000915
得到整合后的总损失
Figure BDA00039297157500000916
和对应的总权重向量
Figure BDA00039297157500000917
不同权重的重要程度可表示为：
Figure BDA00039297157500000918
自适应权重分配后得到的第m轮全局权重表示为：
Figure BDA00039297157500000919
其中，
Figure BDA00039297157500000920
表示第m轮全局权重；
Figure BDA00039297157500000921
表示第m轮中第l个用户的目标特征；N表示表示为总轮数。
本实施例利用上述方法分配对应的权重用于联邦学习中的参数更新。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.一种基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：包括如下步骤：
步骤一：数据采集：采集传动系统在运行过程中的数据，并对采集得到的数据进行预处理后得到多传感数据；
步骤二：将经过预处理后的多传感数据构建为二维矩阵图；
步骤三：将构建得到的二维矩阵图输入多感知域聚集图卷积神经网络(cluster-GraphConvolution Network,cluster-GCN)，提取得到多感知域特征；
步骤四：利用联邦迁移学习实现局部训练和全局更新，在联邦迁移学习中引入最大均值差异和对抗域自适应方法衡量不同域数据之间的差异，并整合损失函数信息，以数据特征差异衡量指标，实现对未知的传动系统健康状态的目标域进行预测。
2.根据权利要求1所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：所述步骤一中，所述多传感器数据包括传动系统在运行过程中的振动数据、温度数据和转速数据，在数据采集过程中，分别利用加速度传感器、热电偶传感器和电涡流位移传感器采集传动系统的振动数据、温度数据和转速数据。
3.根据权利要求2所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：对振动数据的预处理方法为：将振动数据Si(t)进行快速傅里叶变换，得到一维频域特征信号Xi(t)，其中，i＝1,2,3，分别表示振动数据的三个方向。
4.根据权利要求2所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：采用数据映射函数使温度数据和转速数据映射输出满足0-255的图像像素值要求，所述数据映射函数采用变换后的Sigmoid激活函数，表示为：
Figure FDA0003929715740000011
其中，f(x)表示数据的映射输出；x表示数据。
5.根据权利要求1所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：所述步骤二中，采用邻接表方法将稀疏的矩阵表连接，实现图数据的构建，原理为：
G(v,e)＝Matrix(M)
其中，G表示生成的二维矩阵图；v表示图的边；e表示图的节点；M为构建的矩阵；Matrix(·)表示邻接表算法。
6.根据权利要求1所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：所述步骤三中，利用多感知域聚集图卷积神经网络(cluster-Graph ConvolutionNetwork,cluster-GCN)提取多感知域特征的方法为：
提取经预处理后的多传感数据的最大值、最小值和均值作为多感知域cluster-GCN的对角线增强值参数，记最大值、最小值和均值分别为λ1,λ2,λ3，多感知域cluster-GCN的邻接矩阵表示为
Figure FDA0003929715740000021
其中，A表示邻接矩阵；
Figure FDA0003929715740000022
和
Figure FDA0003929715740000023
分别表示对应于不同感知域的邻接矩阵和对应于不同感知域的边，i＝1,2,3；ajj,i表示拆分后邻接矩阵中对应于不同感知域的元素值，j＝1,2,…,n；amk,i表示边中对应不同感知域的元素值,m+k＝n+1；
目标函数表示为：
Figure FDA0003929715740000024
其中，
Figure FDA0003929715740000025
表示对应于不同感知域的邻接矩阵；
Figure FDA0003929715740000026
和
Figure FDA0003929715740000027
分别表示邻接矩阵中对应于不同感知域的元素值；σ表示Sigmoid激活函数；W表示权重；W(0)表示第0层权重；W(k)表示第k层权重；W(k-1)表示第k-1层权重；X表示输入特征；
提取得到的多感知域特征表示为：
Figure FDA0003929715740000028
其中，
Figure FDA0003929715740000029
表示提取的特征，X表示输入特征，
Figure FDA00039297157400000210
为对应不同感知域的邻接矩阵，
Figure FDA00039297157400000211
表示对角度矩阵。
7.根据权利要求1所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：所述步骤四中，联邦迁移学习方法为：
将分类器C、判别器D和特征提取器F的参数分别表示为θC,θD和θF，则对抗域自适应的优化目标可表示为：
Figure FDA00039297157400000212
Figure FDA00039297157400000213
Figure FDA00039297157400000214
其中，
Figure FDA00039297157400000215
表示分类器误差及诊断误差，
Figure FDA00039297157400000216
表示域预测误差，
Figure FDA00039297157400000217
和
Figure FDA00039297157400000218
分别表示θF,θC和θD的优化结果；
采用交叉熵损失函数衡量域对齐损失，表示为：
Figure FDA0003929715740000031
其中，D(F(X))的输出结果为0或1，用于区分样本属于那个域；XS表示源域；XT表示目标域；
Figure FDA0003929715740000032
表示源域中数据样本之间的差异，
Figure FDA0003929715740000033
表示目标域中样本之间的差异；
引入最大均值差异衡量源域和目标域数据之间的结构差异，表示为：
Figure FDA0003929715740000034
其中，
Figure FDA0003929715740000035
表示以最大均值差异衡量的源域和目标域数据之间的结构差异；ψ(·)表示映射函数，可实现映射输出到再生希尔伯特空间；
Figure FDA0003929715740000036
和
Figure FDA0003929715740000037
分别表示源域和目标域中的数据；ns表示源域中样本个数；nT表示目标域中样本个数；
整体优化目标数可表示为：
Figure FDA0003929715740000038
Figure FDA0003929715740000039
其中，
Figure FDA00039297157400000310
表示整体优化目标数；
Figure FDA00039297157400000311
表示对抗损失，LS表示源域中样本的标签；α,β表示平衡因子，a满足输出范围为(0,1)。
8.根据权利要求1所述基于图神经的联邦迁移学习传动系统健康状态评估方法，其特征在于：在联邦迁移学习中引入自适应权重分配方法分配不同权重用于全局更新，在任意第m轮全局训练中，自适应权重分配方法包括如下步骤：
41)分配第m-1轮的模型权重
Figure FDA00039297157400000312
至不同的源用户；
42)分配的权重
Figure FDA00039297157400000313
在不同的用户以不同的数据、不同的t轮数进行局部训练，得到局部模型训练权重为
Figure FDA00039297157400000314
l表示第l个用户；
43)通过权重
Figure FDA00039297157400000315
更新源特征提取器
Figure FDA00039297157400000316
得到特征提取向量
Figure FDA00039297157400000317
上载权重
Figure FDA00039297157400000318
和特征向量
Figure FDA00039297157400000319
至服务器；
44)目标用户下载权重
Figure FDA00039297157400000320
和特征向量
Figure FDA00039297157400000321
并通过无标签用户数据生成对应的目标特征向量
Figure FDA00039297157400000322
45)利用得到的
Figure FDA00039297157400000323
和
Figure FDA00039297157400000324
计算最大均值差异损失
Figure FDA00039297157400000325
和对抗损失
Figure FDA00039297157400000326
得到整合后的总损失
Figure FDA00039297157400000327
和对应的总权重向量
Figure FDA00039297157400000328
不同权重的重要程度可表示为：
Figure FDA0003929715740000041
自适应权重分配后得到的第m轮全局权重表示为：
Figure FDA0003929715740000042
其中，
Figure FDA0003929715740000043
表示第m轮全局权重；
Figure FDA0003929715740000044
表示第m轮中第l个用户的目标特征；N表示为总轮数。
CN202211383724.XA 2022-11-07 2022-11-07 基于图神经的联邦迁移学习传动系统健康状态评估方法 Pending CN115758239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211383724.XA CN115758239A (zh) 2022-11-07 2022-11-07 基于图神经的联邦迁移学习传动系统健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211383724.XA CN115758239A (zh) 2022-11-07 2022-11-07 基于图神经的联邦迁移学习传动系统健康状态评估方法

Publications (1)

Publication Number Publication Date
CN115758239A true CN115758239A (zh) 2023-03-07

Family

ID=85356883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211383724.XA Pending CN115758239A (zh) 2022-11-07 2022-11-07 基于图神经的联邦迁移学习传动系统健康状态评估方法

Country Status (1)

Country Link
CN (1) CN115758239A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117834630B (zh) * 2024-03-06 2024-05-03 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质

Similar Documents

Publication Publication Date Title
Topouzelis et al. Detection and discrimination between oil spills and look-alike phenomena through neural networks
Deluigi et al. Data-driven mapping of the potential mountain permafrost distribution
Foody Mapping land cover from remotely sensed data with a softened feedforward neural network classification
Liu et al. A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture
CN109766921A (zh) 一种基于深度领域自适应的振动数据故障分类方法
CN107392019A (zh) 一种恶意代码家族的训练和检测方法及装置
CN107798277A (zh) 食材识别系统和方法、食材模型训练方法、冰箱和服务器
CN107707657A (zh) 基于多传感器的安全监护系统
WO2021043126A1 (en) System and method for event recognition
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN115758239A (zh) 基于图神经的联邦迁移学习传动系统健康状态评估方法
CN111062423B (zh) 基于自适应特征融合的点云图神经网络的点云分类方法
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
Pan et al. Mapping cropland distributions using a hard and soft classification model
CN114970715A (zh) 小样本及不平衡数据约束下的变工况故障诊断方法及系统
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
CN114048546A (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
Liu et al. Change detection in heterogeneous remote sensing images based on the fusion of pixel transformation
CN117333821A (zh) 基于图像识别的阀基电子设备板老化状态评估方法及系统
Tonbul et al. Semi-automatic building extraction from Worldview-2 imagery using Taguchi optimization
CN117671393A (zh) 一种电气机械设备的故障监测方法及系统
Shanmugam et al. Assessment of remote sensing techniques for habitat mapping in coastal dune ecosystems
CN117218553A (zh) 一种植物保护监控系统控制方法及相关设备
CN111553421A (zh) 基于双层嵌套结构的sar装备任务失效成因推理方法
Maleki et al. Wetland restoration prioritization using artificial neural networks

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