CN115859184A - 基于联合学习的船舶故障诊断模型系统及其训练方法 - Google Patents
基于联合学习的船舶故障诊断模型系统及其训练方法 Download PDFInfo
- Publication number
- CN115859184A CN115859184A CN202211481759.7A CN202211481759A CN115859184A CN 115859184 A CN115859184 A CN 115859184A CN 202211481759 A CN202211481759 A CN 202211481759A CN 115859184 A CN115859184 A CN 115859184A
- Authority
- CN
- China
- Prior art keywords
- model
- local
- ship
- data set
- cloud server
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及故障诊断模型技术领域，公开了一种基于联合学习的船舶故障诊断模型系统，智能船舶发送船舶设备数据集；云服务器将全局模型和模型聚合间隔发送至船务代理，并接收局部模型及局部模型损失函数与全局模型聚合；船务代理接收船舶设备数据集及全局模型和模型聚合间隔，使用本地样本数据集训练局部模型，并发送至云服务器，对测试数据集进行故障诊断分类得到故障诊断结果。本发明还公开了一种基于联合学习的船舶故障诊断模型系统的训练方法。本发明基于联合学习的船舶故障诊断模型系统及其训练方法，在局部数据加密共享的情况下协同训练模型，保护不同船运公司的各智能船舶设备数据信息，且消耗的计算、通信资源少。
Description
技术领域
本发明涉及故障诊断模型技术领域，具体涉及一种基于联合学习的船舶故障诊断模型系统及其训练方法。
背景技术
近年来，随着物联网的发展，各种基于深度学习的故障诊断模型被提出应用于实际工业场景，基于深度学习的故障诊断模型已经取得了很大的成功；对于海洋船舶领域的故障诊断需求和船舶制造公司而言，船舶设备通常由同一家企业提供，并且通常有自己的监督数据。因此，通过集中不同船舶的同一设备的数据，以训练出一种基于深度学习的、优越的故障诊断模型的方法，拥有广阔的市场前景。
但传统的集中学习方法在实际应用场景中，需要将大量的数据上传至云计算平台，不仅因日以增长的数据量需求压缩了可应用空间，还因可能泄露数据隐私的问题而受到限制。
联合学习作为一种分布式学习方法，拥有多个具备局部模型训练功能的边缘节点，可以将模型训练的存储和计算压力分摊出去，减轻云服务器的工作负荷。另外，假定云服务器是诚实但好奇的，是潜在的数据泄露风险来源，而边缘节点上传的是训练后的局部模型而不是原始数据集，避免了设备数据的泄露风险，从而一定程度保护了用户数据的隐私。但同时，联合学习共享的模型参数仍带有一定的隐私安全隐患，例如，多层前馈网络中，基于反向传播算法得出的模型梯度，再通过正向传播可以得出模型的输出值与标签值。可以认为，联合学习不仅要在尽可能节省通信和计算资源的情况下，尽可能快的训练模型并收敛，还要保证收集的模型参数不会泄露用户的数据隐私信息。
综上所述，本领域中需要提出一种训练系统和方法，既可以获得大规模的优质故障诊断数据样本，又能确保在训练过程中数据不会泄露用户的敏感信息。
发明内容
本发明的目的就是针对上述技术的不足，提供一种基于联合学习的船舶故障诊断模型系统及其训练方法，在局部数据加密共享的情况下协同训练模型，保护不同船运公司的各智能船舶设备数据信息，且消耗的计算、通信资源少。
为实现上述目的，本发明所涉及的基于联合学习的船舶故障诊断模型系统，包括云服务器、若干个智能船舶、若干个船务代理；
所述智能船舶采集船舶运行过程中设备的运行数据，形成船舶设备数据集，通过船舶互联网与其对应的船务代理通信，发送船舶设备数据集；
所述云服务器存储有全局模型，其将全局模型和模型聚合间隔发送至每个船务代理，并接收所述船务代理发送的局部模型及局部模型损失函数与所述全局模型聚合，所述损失函数为描述局部模型和全局模型偏差程度的函数，所述模型聚合间隔为船务代理向云服务器上传局部模型和局部模型损失函数的间隔；
所述船务代理接收所述智能船舶发送的船舶设备数据集及所述云服务器发送的全局模型和模型聚合间隔，将船舶设备数据集处理为本地样本数据集和测试数据集，使用本地样本数据集将全局模型训练成与智能船舶对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器，所述船务代理使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果。
优选地，所述云服务器模型设有模型存储模块、联合学习平台和通信服务端，所述模型存储模块存储局部模型、局部模型损失函数、全局模型和模型聚合间隔，所述通信服务端用于在云服务器与船务代理之间搭建安全信道，所述安全信道用于云服务器通信服务端分发全局模型与模型聚合间隔，以及接收船务代理发送的局部模型和局部模型损失函数，并保存至模型存储模块，所述联合学习平台包括模型聚合单元和聚合间隔调整单元，所述模型聚合单元获取所述模型存储模块保存的局部模型并对其进行聚合，更新全局模型并存入模型存储模块，所述聚合间隔调整单元获取所述通信服务端收集的局部模型损失函数，记录每次模型聚合损失函数的历史数值，调整模型训练的模型聚合间隔，模型聚合间隔以自适应模型聚合方法进行调整。
优选地，所述船务代理设有模型训练模块、模型加密模块、数据存储模块和船舶互联网数据管理模块；
所述模型训练模块加载云服务器分发的全局模型，使用本地样本数据集对全局模型进行训练取得局部模型和模型损失函数，使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果；
所述模型加密模块用于加密发送至所述云服务器的局部模型以及解密云服务器分发的全局模型；
所述数据存储模块用于存储局部模型、本地样本数据集和测试数据集；
所述船舶互联网数据管理模块用于与所述智能船舶和所述云服务器通信，从接入船舶互联网的智能船舶处收集船舶设备数据集，并处理为本地样本数据集和测试数据集，存入所述数据存储模块；从云服务器处获取全局模型以及模型聚合间隔；当模型训练迭代次数等于模型聚合间隔时，上传一次完成训练的局部模型以及局部模型损失函数至云服务器。
优选地，还包括密钥生成中心，所述密钥生成中心为船务代理发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理设有模型加密模块，通过私钥解密云服务器分发的全局模型，通过公钥加密发送至所述云服务器的局部模型。
优选地，所述船务代理的模型加密模块使用ElGamal同态加密算法对局部模型进行加密，保证加密过程中的密文满足加法同态。
优选地，全局模型和局部模型为利用卷积神经网络建立的故障诊断模型，其中卷积神经网络包括CNN模块、全连接层和softmax层。
一种所述基于联合学习的船舶故障诊断模型系统的训练方法，所述智能船舶获取设备的运行数据，上传船舶设备数据集至船务代理；
所述船务代理接收船舶设备数据集，处理为本地样本数据集和测试数据集，所述船务代理接收所述云服务器发送的全局模型和模型聚合间隔，使用本地样本数据集将全局模型训练成与智能船舶对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器；
所述云服务器接收所述船务代理发送的局部模型及局部模型损失函数与所述全局模型聚合，形成新的全局模型，再将全局模型和模型聚合间隔发送至每个船务代理，循环往复。
优选地，所述云服务器聚合局部模型时，根据自适应模型聚合方法调整模型聚合间隔。
优选地，所述船务代理设有模型训练模块，使用本地样本数据集将全局模型训练成与智能船舶对应的局部模型时，所述模型训练模块获取当前模型迭代次数与当前模型聚合间隔，计算当前迭代训练的输入值、期望值、输出值，所述模型训练模块在每次模型迭代时，使用动量梯度下降算法，记录历次迭代的参数梯度，并使用参数梯度的指数加权平均对模型参数的权重值进行更新，每当本地训练的迭代次数满足当前模型聚合间隔时，将局部模型上传至云服务器。
优选地，基于联合学习的船舶故障诊断模型系统还包括密钥生成中心，所述密钥生成中心为船务代理发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理设有模型加密模块，通过私钥解密云服务器分发的全局模型，通过公钥加密发送至所述云服务器的局部模型，所述船务代理的模型加密模块使用ElGamal同态加密算法对局部模型进行加密。
本发明与现有技术相比，具有以下优点：
1、实现了水域工作环境中不同船舶数据的整合利用，打破了水域工作环境下不同航运公司所属各船舶之间的数据孤岛效应，能够训练出模型质量优于船务代理局部模型的全局模型；
2、联合学习系统上传模型的通信通道采用pailliar同态加密方法，为联合学习中作为边缘节点的船务代理方共享的船舶数据提供了信息保护，确保其敏感隐私信息不会在联合学习平台端泄露，保证了客户数据的安全性；
3、联合学习系统采用自适应的模型聚合间隔，根据历史损失函数值，自动调整模型聚合的间隔，在保证模型训练收敛的前提下，使损失函数尽可能小的同时，最大程度减少模型聚合的频率，实现联合学习计算与通信资源消耗的减少。
附图说明
图1为本发明基于联合学习的船舶故障诊断模型系统的结构示意图；
图2为本发明中智能船舶—船务代理—云服务器之间数据通信结构的示意图；
图3为本发明基于联合学习的船舶故障诊断模型系统的训练方法的流程示意图。
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的详细说明。
如图1所示，一种基于联合学习的船舶故障诊断模型系统，包括云服务器1、若干个智能船舶2、若干个船务代理3；
智能船舶2采集船舶运行过程中设备的运行数据，形成船舶设备数据集，通过船舶互联网与其对应的船务代理3通信，发送船舶设备数据集；
云服务器1存储有全局模型，其将全局模型和模型聚合间隔发送至每个船务代理3，并接收船务代理3发送的局部模型及局部模型损失函数与全局模型聚合，损失函数为描述局部模型和全局模型偏差程度的函数，模型聚合间隔为船务代理3向云服务器1上传局部模型和局部模型损失函数的间隔；
船务代理3接收智能船舶2发送的船舶设备数据集及云服务器1发送的全局模型和模型聚合间隔，将船舶设备数据集处理为本地样本数据集和测试数据集，使用本地样本数据集将全局模型训练成与智能船舶2对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至云服务器1，船务代理3使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果。
其中，如图2所示，云服务器1模型设有模型存储模块5、联合学习平台6和通信服务端7，模型存储模块5存储局部模型、局部模型损失函数、全局模型和模型聚合间隔，通信服务端7用于在云服务器1与船务代理3之间搭建安全信道，安全信道用于云服务器1通信服务端7分发全局模型与模型聚合间隔，以及接收船务代理3发送的局部模型和局部模型损失函数，并保存至模型存储模块5，联合学习平台6包括模型聚合单元和聚合间隔调整单元，模型聚合单元获取模型存储模块5保存的局部模型并对其进行聚合，更新全局模型并存入模型存储模块5，聚合间隔调整单元获取通信服务端7收集的局部模型损失函数，记录每次模型聚合损失函数的历史数值，调整模型训练的模型聚合间隔，模型聚合间隔以自适应模型聚合方法进行调整。
如图2所示，船务代理3设有模型训练模块8、模型加密模块9、数据存储模块10和船舶互联网数据管理模块11；
模型训练模块8加载云服务器1分发的全局模型，使用本地样本数据集对全局模型进行训练取得局部模型和模型损失函数，使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果；
模型加密模块9用于加密发送至云服务器1的局部模型以及解密云服务器1分发的全局模型；
数据存储模块10用于存储局部模型、本地样本数据集和测试数据集；
船舶互联网数据管理模块11用于与智能船舶2和云服务器1通信，从接入船舶互联网的智能船舶2处收集船舶设备数据集，并处理为本地样本数据集和测试数据集，存入数据存储模块10；从云服务器1处获取全局模型以及模型聚合间隔；当模型训练迭代次数等于模型聚合间隔时，上传一次完成训练的局部模型以及局部模型损失函数至云服务器1。
另外，本实施例中，还包括密钥生成中心4，密钥生成中心4为船务代理3发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理3设有模型加密模块9，通过私钥解密云服务器1分发的全局模型，通过公钥加密发送至云服务器1的局部模型，船务代理3的模型加密模块9使用ElGamal同态加密算法对局部模型进行加密。
密钥生成中心4独立于云服务器1、船务代理3以及智能船舶2任何一方，密钥生成中心4使用不同的安全通信通道与每个船务代理3通信，先后分别或同时地与选择参与模型训练的船务代理3进行通信，并为其提供基于ElGamal同态加密算法的密钥对。本实施例总，所有选择参与模型训练的船务代理3都拿到一个独一无二的密钥对，且除目标船务代理外，整个过程不应有任何一方能够获得到任何一个船务代理3的密钥对信息。
其中，密钥生成中心生成密钥通过式：
β＝αdmodp
其中，p为选取的大素数，α为模p的一个本原元，d为取值范围为[2,p-1]的整数。
由此得公钥pk(α,β,p)，私钥sk(d)。
船务代理3使用公钥pk(α,β,p)加密局部模型通过式：
λ＝αkmodp
μi＝wiβkmodp
Enc(wi)＝(λ,μi)
其中，wi为船务代理i的局部模型参数，k为与p-1互质的随机数。
又ElGamal同态加密算法同态性表现为乘法同态，具体为：
Enc(wc)＝Enc(wa)·Enc(wb)＝(λa·λb,μa·μb)
云服务器1的模型聚合单元平行聚合各船务代理3局部模型通过式：
其中，N为参与联合学习的船务代理3总数，αi表示船务代理i在使用动量梯度下降算法训练模型时，所用本地样本数据集D占各船务代理3本地样本数据集总和的比例。
船务代理使用私钥sk(d)解密全局模型通过式：
Enc(wG)＝(λG,μG)
其中，Enc(wG)为云服务器聚合的加密全局模型。
另外，全局模型和局部模型为利用卷积神经网络建立的故障诊断模型，其中卷积神经网络包括CNN模块、全连接层和softmax层，本实施例中，全局模型由两个5×5卷积层，两个最大池化层和一个全连接层组成。
本实施例基于联合学习的船舶故障诊断模型系统的训练方法，如图3所示，智能船舶2获取设备的运行数据，定期上传船舶设备数据集至船务代理3；
船务代理3接收船舶设备数据集，取得本地样本数据集，船务代理3接收云服务器1发送的全局模型和模型聚合间隔，使用本地样本数据集将全局模型训练成与智能船舶2对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至云服务器1；
云服务器1接收船务代理3发送的局部模型及局部模型损失函数与全局模型聚合，形成新的全局模型，再将全局模型和模型聚合间隔发送至每个船务代理3；
船务代理3接收云服务器1发送的全局模型和模型聚合间隔，使用本地样本数据集对全局模型进行迭代训练，生产新的局部模型和局部模型损失函数，当局部模型每经过模型聚合间隔的迭代次数后，将局部模型和局部模型损失函数上传至云服务器1；
云服务器1接收新的局部模型和局部模型损失函数并聚合，根据自适应模型聚合方法调整模型聚合间隔，将更新的全局模型与模型聚合间隔分发给各船务代理3；
循环往复。
其中，船务代理3设有模型训练模块8，使用本地样本数据集将全局模型训练成与智能船舶2对应的局部模型时，模型训练模块8获取当前模型迭代次数与当前模型聚合间隔，计算当前迭代训练的输入值、期望值、输出值，模型训练模块8在每次模型迭代时，使用动量梯度下降算法，记录历次迭代的参数梯度，并使用参数梯度的指数加权平均对模型参数的权重值进行更新，每当本地训练的迭代次数满足当前模型聚合间隔时，将局部模型上传至云服务器1。
另外，由于基于联合学习的船舶故障诊断模型系统还包括密钥生成中心4，在上述训练方法中，密钥生成中心4为船务代理3发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理3设有模型加密模块9，通过私钥解密云服务器1分发的全局模型，通过公钥加密发送至云服务器1的局部模型，船务代理3的模型加密模块9使用ElGamal同态加密算法对局部模型进行加密。
具体地，模型聚合单元提取各船务代理i上传的加密局部模型Enc(wi)，将多个局部模型聚合为全局模型Enc(wG)。
聚合间隔调整单元在系统初始化时会获得预设的理想模型聚合间隔τ*，在系统工作过程中提取各船务代理i上传的局部模型损失函数L，同样以加权汇总的方式聚合为全局损失函数L(global)。
损失函数的汇总方程为：
聚合间隔调整单元获取并记录全局损失函数值历史最小值Lmin，并比对最后历史序列中连续的三次全局损失函数值大小，若连续三次的模型聚合所得到的全局损失函数均未达到历史的最小值，则调整模型聚合间隔，具体为：
τk＝τk-1-sgn(Lk-1-min(Lk-2,Lk-3,Lk-4))
其中，sgn()为阶跃函数，τk为第k次聚合的模型聚合间隔，Lk为第k次聚合的模型损失函数值。
另外，局部模型迭代训练中采用动量梯度下降算法时，船务代理3的模型训练模块8记录历次迭代的模型参数下降梯度，以指数加权的平均的方式计算动量梯度，使用动量梯度对模型参数进行迭代更新，方程为：
w(t)＝w(t-1)-ηm(t)
其中，
为历次迭代的模型参数下降梯度序列，d(t)为动量梯度，γ为动量衰减因子，w(t)为第t次迭代的模型参数，η为模型学习率。
每个船务代理3都有局部模型参数w(t),其中t为局部训练迭代数，τ为模型聚合间隔，在t＝0时，所有船务代理3的局部模型参数都被设置为初始化的全局模型参数，对于t>0，局部模型w进行局部训练，训练中每一权值参数由前一次迭代——即t-1次的权值参数，根据动量梯度下降算法计算，在τ数局部模型训练后，通过云服务器1进行模型聚合，更新全局模型参数。
本发明基于联合学习的船舶故障诊断模型系统及其训练方法，实现了水域工作环境中不同船舶数据的整合利用，打破了水域工作环境下不同航运公司所属各船舶之间的数据孤岛效应，能够训练出模型质量优于船务代理局部模型的全局模型；联合学习系统上传模型的通信通道采用pailliar同态加密方法，为联合学习中作为边缘节点的船务代理方共享的船舶数据提供了信息保护，确保其敏感隐私信息不会在联合学习平台端泄露，保证了客户数据的安全性；联合学习系统采用自适应的模型聚合间隔，根据历史损失函数值，自动调整模型聚合的间隔，在保证模型训练收敛的前提下，使损失函数尽可能小的同时，最大程度减少模型聚合的频率，实现联合学习计算与通信资源消耗的减少。
Claims (9)
1.一种基于联合学习的船舶故障诊断模型系统，其特征在于：包括云服务器(1)、若干个智能船舶(2)、若干个船务代理(3)；
所述智能船舶(2)采集船舶运行过程中设备的运行数据，形成船舶设备数据集，通过船舶互联网与其对应的船务代理(3)通信，发送船舶设备数据集；
所述云服务器(1)存储有全局模型，其将全局模型和模型聚合间隔发送至每个船务代理(3)，并接收所述船务代理(3)发送的局部模型及局部模型损失函数与所述全局模型聚合，所述损失函数为描述局部模型和全局模型偏差程度的函数，所述模型聚合间隔为船务代理(3)向云服务器(1)上传局部模型和局部模型损失函数的间隔；
所述船务代理(3)接收所述智能船舶(2)发送的船舶设备数据集及所述云服务器(1)发送的全局模型和模型聚合间隔，将船舶设备数据集处理为本地样本数据集和测试数据集，使用本地样本数据集将全局模型训练成与智能船舶(2)对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器(1)，所述船务代理(3)使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果。
2.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：所述云服务器(1)模型设有模型存储模块(5)、联合学习平台(6)和通信服务端(7)，所述模型存储模块(5)存储局部模型、局部模型损失函数、全局模型和模型聚合间隔，所述通信服务端(7)用于在云服务器(1)与船务代理(3)之间搭建安全信道，所述安全信道用于云服务器(1)通信服务端(7)分发全局模型与模型聚合间隔，以及接收船务代理(3)发送的局部模型和局部模型损失函数，并保存至模型存储模块(5)，所述联合学习平台(6)包括模型聚合单元和聚合间隔调整单元，所述模型聚合单元获取所述模型存储模块(5)保存的局部模型并对其进行聚合，更新全局模型并存入模型存储模块(5)，所述聚合间隔调整单元获取所述通信服务端(7)收集的局部模型损失函数，记录每次模型聚合损失函数的历史数值，调整模型训练的模型聚合间隔，模型聚合间隔以自适应模型聚合方法进行调整。
3.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：所述船务代理(3)设有模型训练模块(8)、模型加密模块(9)、数据存储模块(10)和船舶互联网数据管理模块(11)；
所述模型训练模块(8)加载云服务器(1)分发的全局模型，使用本地样本数据集对全局模型进行训练取得局部模型和模型损失函数，使用局部模型对测试数据集进行故障诊断分类得到故障诊断结果；
所述模型加密模块(9)用于加密发送至所述云服务器(1)的局部模型以及解密云服务器(1)分发的全局模型；
所述数据存储模块(10)用于存储局部模型、本地样本数据集和测试数据集；
所述船舶互联网数据管理模块(11)用于与所述智能船舶(2)和所述云服务器(1)通信，从接入船舶互联网的智能船舶(2)处收集船舶设备数据集，并处理为本地样本数据集和测试数据集，存入所述数据存储模块(10)；从云服务器(1)处获取全局模型以及模型聚合间隔；当模型训练迭代次数等于模型聚合间隔时，上传一次完成训练的局部模型以及局部模型损失函数至云服务器(1)。
4.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：还包括密钥生成中心(4)，所述密钥生成中心(4)为船务代理(3)发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理(3)设有模型加密模块(9)，通过私钥解密云服务器(1)分发的全局模型，通过公钥加密发送至所述云服务器(1)的局部模型。
5.如权利要求4所述基于联合学习的船舶故障诊断模型系统，其特征在于：所述船务代理(3)的模型加密模块(9)使用ElGamal同态加密算法对局部模型进行加密。
6.如权利要求1所述基于联合学习的船舶故障诊断模型系统，其特征在于：全局模型和局部模型为利用卷积神经网络建立的故障诊断模型，其中卷积神经网络包括CNN模块、全连接层和softmax层。
7.一种如权利要求1～6任一项所述基于联合学习的船舶故障诊断模型系统的训练方法，其特征在于：所述智能船舶(2)获取设备的运行数据，定期上传船舶设备数据集至船务代理(3)；
所述船务代理(3)接收船舶设备数据集，取得本地样本数据集，所述船务代理(3)接收所述云服务器(1)发送的全局模型和模型聚合间隔，使用本地样本数据集将全局模型训练成与智能船舶(2)对应的局部模型，并按照模型聚合间隔将局部模型及局部模型损失函数发送至所述云服务器(1)；
所述云服务器(1)接收所述船务代理(3)发送的局部模型及局部模型损失函数与所述全局模型聚合，形成新的全局模型，再将全局模型和模型聚合间隔发送至每个船务代理(3)；
所述船务代理(3)接收所述云服务器(1)发送的全局模型和模型聚合间隔，使用本地样本数据集对全局模型进行迭代训练，生产新的局部模型和局部模型损失函数，当局部模型每经过模型聚合间隔的迭代次数后，将局部模型和局部模型损失函数上传至所述云服务器(1)；
所述云服务器(1)接收新的局部模型和局部模型损失函数并聚合，根据自适应模型聚合方法调整模型聚合间隔，将更新的全局模型与模型聚合间隔分发给各船务代理(3)；
循环往复。
8.如权利要求7所述基于联合学习的船舶故障诊断模型系统的训练方法，其特征在于：所述船务代理(3)设有模型训练模块(8)，使用本地样本数据集将全局模型训练成与智能船舶(2)对应的局部模型时，所述模型训练模块(8)获取当前模型迭代次数与当前模型聚合间隔，计算当前迭代训练的输入值、期望值、输出值，所述模型训练模块(8)在每次模型迭代时，使用动量梯度下降算法，记录历次迭代的参数梯度，并使用参数梯度的指数加权平均对模型参数的权重值进行更新，每当本地训练的迭代次数满足当前模型聚合间隔时，将局部模型上传至云服务器(1)。
9.如权利要求7所述基于联合学习的船舶故障诊断模型系统的训练方法，其特征在于：基于联合学习的船舶故障诊断模型系统还包括密钥生成中心(4)，所述密钥生成中心(4)为船务代理(3)发送基于ElGamal同态加密算法生成的密钥对，密钥对包括公钥和私钥，发送密钥对经由不同的安全通信通道，船务代理(3)设有模型加密模块(9)，通过私钥解密云服务器(1)分发的全局模型，通过公钥加密发送至所述云服务器(1)的局部模型，所述船务代理(3)的模型加密模块(9)使用ElGamal同态加密算法对局部模型进行加密。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481759.7A CN115859184A (zh) | 2022-11-24 | 2022-11-24 | 基于联合学习的船舶故障诊断模型系统及其训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481759.7A CN115859184A (zh) | 2022-11-24 | 2022-11-24 | 基于联合学习的船舶故障诊断模型系统及其训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115859184A true CN115859184A (zh) | 2023-03-28 |
Family
ID=85665822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211481759.7A Pending CN115859184A (zh) | 2022-11-24 | 2022-11-24 | 基于联合学习的船舶故障诊断模型系统及其训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859184A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151370A (zh) * | 2023-04-24 | 2023-05-23 | 西南石油大学 | 一种模型参数优化选择系统 |
| CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理系统 |
| CN117589444A (zh) * | 2024-01-18 | 2024-02-23 | 湖南科技大学 | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
-
2022
- 2022-11-24 CN CN202211481759.7A patent/CN115859184A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151370A (zh) * | 2023-04-24 | 2023-05-23 | 西南石油大学 | 一种模型参数优化选择系统 |
| CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理系统 |
| CN117589444A (zh) * | 2024-01-18 | 2024-02-23 | 湖南科技大学 | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
| CN117589444B (zh) * | 2024-01-18 | 2024-04-02 | 湖南科技大学 | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115859184A (zh) | 基于联合学习的船舶故障诊断模型系统及其训练方法 | |
| Xu et al. | Multiagent federated reinforcement learning for secure incentive mechanism in intelligent cyber–physical systems | |
| Ahmed et al. | Joint power allocation and relay selection in energy harvesting AF relay systems | |
| Wang et al. | Computing encrypted cloud data efficiently under multiple keys | |
| CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
| Shlezinger et al. | Collaborative inference via ensembles on the edge | |
| CN116523074A (zh) | 动态化公平性的隐私保护联邦深度学习方法 | |
| Ye et al. | Dynamic coordination in UAV swarm assisted MEC via decentralized deep reinforcement learning | |
| Dai et al. | Hybrid quantum-behaved particle swarm optimization for mobile-edge computation offloading in internet of things | |
| Wang et al. | Federated learning with flexible control | |
| CN114895976A (zh) | 一种业务安全计算卸载方法及装置 | |
| Rajput et al. | Robust decentralized and distributed estimation of a correlated parameter vector in MIMO-OFDM wireless sensor networks | |
| Kadioglu | Finite capacity energy packet networks | |
| Beitollahi et al. | Federated learning over wireless networks: Challenges and solutions | |
| Zhu et al. | Enhanced federated learning for edge data security in intelligent transportation systems | |
| Cao et al. | Online network utility maximization: Algorithm, competitive analysis, and applications | |
| Güler et al. | A framework for sustainable federated learning | |
| Xu et al. | Learning based methods for traffic matrix estimation from link measurements | |
| Park et al. | Fog-based file sharing for secure and efficient file management in personal area network with heterogeneous wearable devices | |
| Elgendy et al. | Security-aware data offloading and resource allocation for MEC systems: a deep reinforcement learning | |
| CN116827515A (zh) | 一种基于区块链和强化学习的雾计算系统性能优化算法 | |
| Fang et al. | Flfe: a communication-efficient and privacy-preserving federated feature engineering framework | |
| Deng et al. | On dynamic resource allocation for blockchain assisted federated learning over wireless channels | |
| EP4083868A1 (en) | Federated learning for preserving privacy | |
| Miao et al. | Robust asynchronous federated learning with time-weighted and stale model aggregation |
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 |