CN116257972A - 基于领域自适应和联邦学习的设备状态评估方法及系统 - Google Patents
基于领域自适应和联邦学习的设备状态评估方法及系统 Download PDFInfo
- Publication number
- CN116257972A CN116257972A CN202211518122.0A CN202211518122A CN116257972A CN 116257972 A CN116257972 A CN 116257972A CN 202211518122 A CN202211518122 A CN 202211518122A CN 116257972 A CN116257972 A CN 116257972A
- Authority
- CN
- China
- Prior art keywords
- target
- domain
- training
- client
- module
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 375
- 238000013210 evaluation model Methods 0.000 claims abstract description 103
- 230000036541 health Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000003044 adaptive effect Effects 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 45
- 230000006978 adaptation Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000003862 health status Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 description 20
- 230000005012 migration Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000006731 degradation reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于领域自适应和联邦学习的设备状态评估方法及系统,该方法包括:目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;将目标输入信息输入至目标域状态评估模型的目标编码模块,得到目标设备的编码特征;将编码特征输入至目标域状态评估模型的目标双任务评估模块,得到目标设备的健康状态估计值和目标设备的剩余寿命预测值;目标编码模块是基于预训练和领域自适应训练得到的;目标双任务评估模块是基于目标客户端内的预训练数据集,以及关联客户端内的预训练数据集,对目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。本发明实现在保护数据隐私的同时,提高设备的健康状态评估的精度。
Description
技术领域
本发明涉及机械设备健康管理技术领域,尤其涉及一种基于领域自适应和联邦学习的设备状态评估方法及系统。
背景技术
旋转设备涉及到飞机发动机、燃气轮机、泵与风机、机床、机器人等,被广泛应用于航空航天、交通运输、电力、石油等行业以及工业生产和社会生活中。旋转设备以转子、齿轮以及轴承等部件作为动力连接单元,运行环境复杂多样,长期处于不间断工作状态,易于出现疲劳和磨损等故障状态,如果不及时进行维护,轻则影响设备运行的性能,重则造成财产损失甚至人员伤亡。因此,对设备进行准确的健康状态评估,制定合理运维方案,可以有效保障设备安全性的同时花费较低的运维成本。
为了提高设备健康状态评估的精度和泛化性,需要收集设备全生命周期、多工况多场景运行数据,然后开发先进的预测模型才能实现。
在实际场景中,一方面,重要的旋转设备正常工作几年甚至几十年,难以从单个场景获得足够的退化数据;另一方面,在当前的科技竞争中,设备运行的数据涉及到企业的敏感技术,出于安全等方面的考虑,企业间往往无法共享自己的数据而进行隐私保护,形成数据孤岛,使得各工况各场景下的设备训练样本数据集严重不足,进而导致训练出的设备状态评估模型的评估性能差,难以精准地评估出设备的健康状态。
发明内容
本发明提供一种基于领域自适应和联邦学习的设备状态评估方法及系统,用以解决现有技术中在数据隐私的制约下,各工况各场景下的设备训练样本数据集严重不足,难以精准地评估出设备的健康状态的缺陷,实现在保护数据隐私的同时,提高设备的健康状态评估的精度。
本发明提供一种基于领域自适应和联邦学习的设备状态评估方法,包括:
目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;
将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;
所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;
所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述目标编码模块和所述目标双任务评估模块是基于如下步骤进行训练得到的:
基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内的源域状态评估模型进行联邦学习预训练;
根据预训练的源域状态评估模型中预训练的源域双任务评估模块的模型参数,构建所述目标双任务评估模块;
根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块,包括:
对于当前次模型训练,接收所述关联客户端在所述当前次模型训练过程中得到的局部模型参数;所述局部模型参数是由所述关联客户端,基于所述关联客户端内的自适应训练数据集,以及上一次模型训练对应的全局模型参数,对所述关联客户端内的初始目标编码模块进行本地训练得到的;其中,所述关联客户端内的初始目标编码模块是根据所述预训练的源编码器模型的模型参数构建的;
基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练;
根据本地训练结果和所述局部模型参数进行聚合更新,得到所述当前次模型训练对应的全局模型参数;
将所述当前次模型训练对应的全局模型参数,发送至所述关联客户端,迭代执行模型训练步骤,直到所述目标客户端内训练得到的初始目标编码器模型满足预设终止条件;
根据最后一次模型训练对应的全局模型参数,获取所述目标编码模块。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练,包括:
从所述目标客户端内的自适应训练数据集中,抽取出所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签;
在所述上一次模型训练对应的全局模型参数的基础上,基于所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签,对所述目标客户端内的初始目标编码模块进行对抗领域自适应的本地训练。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述目标客户端内的初始目标编码模块对应的损失函数是基于所述源域下的样本设备的领域预测结果正确的概率、所述目标域下的样本设备的领域预测结果正确的概率,以及所述目标域下的样本设备的领域损失函数进行联合构建的;
所述目标客户端内的初始目标编码模块,以最小化所述源域下的样本设备的编码特征与所述目标域下的样本设备的编码特征之间的相似度距离为训练目标。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,对于所述目标客户端和所述关联客户端中的每一客户端,所述每一客户端内的源域状态评估模型的损失函数,是基于所述源域状态评估模型中源域双任务评估模块中的剩余寿命预测分支模块的损失函数和健康状态估计分支模块的损失函数进行联合构建的。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值,包括:
将所述编码特征输入至所述目标双任务评估模块的剩余寿命预测分支模块,得到所述目标设备的剩余寿命预测值;
将所述编码特征和所述目标设备的剩余寿命预测值输入至所述目标双任务评估模块的健康状态估计分支模块,得到所述目标设备的健康状态估计值。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述目标客户端内的预训练数据集中包括样本设备的运行参数、样本设备的健康状态真实值和样本设备的剩余寿命真实值;
所述健康状态真实值是基于如下步骤得到的:
对所述目标客户端内的预训练数据集中的样本设备的运行参数进行统计特征提取,得到多个统计特征;
对各统计特征进行模态分解,根据模态分解结果进行特征趋势重构;
对趋势重构结果进行样本聚类,根据聚类结果,获取所述目标客户端内的预训练数据集中的样本设备的健康状态真实值。
根据本发明提供的一种基于领域自适应和联邦学习的设备状态评估方法,所述目标编码模块包括注意力网络单元;
所述注意力网络单元包含卷积层;
所述卷积层的卷积核尺度是根据所述卷积层的输出信息的通道数量确定的。
本发明还提供一种基于领域自适应和联邦学习的设备状态评估系统,包括:
数据采集模块,用于目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
特征编码模块,用于将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;
状态评估模块,用于将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;
所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;
所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于领域自适应和联邦学习的设备状态评估方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于领域自适应和联邦学习的设备状态评估方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于领域自适应和联邦学习的设备状态评估方法。
本发明提供的基于领域自适应和联邦学习的设备状态评估方法及系统,通过目标域状态评估模型的双任务评估模块,对设备进行轴承健康阶段划分与剩余使用寿命预测,并使用预训练和领域自适应训练相结合的方法进行源域与目标域的特征映射和迁移,实现了基于带标签源域数据对无标签目标域数据进行精准预测以及源域数据与目标域数据的对齐,可针对不同场景下设备的健康状态进行精准评估;另一方面,引入鲁棒性较强的联邦学习框架进行目标域状态评估模型的协同训练,实现在保护数据隐私的同时,可进一步获取更加精准的设备的健康阶段划分结果和剩余使用寿命预测结果。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于领域自适应和联邦学习的设备状态评估方法的流程示意图之一;
图2是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中联邦学习框架的结构示意图;
图3是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中目标域状态评估模型的结构示意图之一;
图4是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中目标域状态评估模型的结构示意图之二;
图5是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中领域对抗自适应学习框架的结构示意图;
图6是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中健康状态划分结果的示意图;
图7是本发明提供的基于领域自适应和联邦学习的设备状态评估方法中注意力网络单元的结果示意图;
图8是本发明提供的基于领域自适应和联邦学习的设备状态评估方法的流程示意图之二;
图9是本发明提供的基于领域自适应和联邦学习的设备状态评估方法的仿真结果示意图之一;
图10是本发明提供的基于领域自适应和联邦学习的设备状态评估方法的仿真结果示意图之二;
图11是本发明提供的基于领域自适应和联邦学习的设备状态评估系统的结构示意图;
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
设备的状态评估包括粗略的健康阶段划分和精细的剩余使用寿命(RemainingUseful Life,RUL)预测,而设备运行的复杂多变的工况以及技术的快速更新,使得精准的设备健康状态评估难以实现,成为设备运维的核心痛点问题。
通常,深度学习算法通常要求训练数据和测试数据满足独立同分布的条件。但是,由于设备运行环境的差异,不同工况下传感器采集到的数据往往分布不一致;即使在同一工况下,其运行过程中环境的变化,也可能导致数据分布出现不一致情况。使得训练得到的设备状态评估模型的适应性变差,即使用训练集(源域)得到的模型在测试集(目标域)上并不能达到很好性能。
并且,在实际场景中,一方面,重要的旋转设备正常工作几年甚至几十年,难以从单个场景获得足够的退化数据;另一方面,在当前的科技竞争中,设备运行的数据涉及到企业的敏感技术,出于安全等方面的考虑,企业间往往无法共享自己的数据而进行隐私保护,形成数据孤岛,使得各工况各场景下的设备训练样本数据集严重不足,进一步导致训练出的设备状态评估模型的评估性能差,难以精准地评估出设备的健康状态。
针对上述问题,本实施例提出一种基于领域自适应和联邦学习的设备状态评估方法,一方面通过基于时序对抗领域自适应的迁移学习方法,实现使用带标签源域数据对目标域数据进行预测,实现了可针对不同场景下设备的健康状态进行精准评估;另一方面,引入联邦学习框架,实现在保护数据隐私的同时,获取更加精准的设备的健康阶段划分结果和剩余使用寿命预测结果。
下面结合图1描述本发明的基于领域自适应和联邦学习的设备状态评估方法。该方法可应用于包含多个客户端的联邦学习框架,具体数量可以根据实际需求进行设置;如图2所示,联邦学习框架中可以包含6个客户端。目标客户端为联邦学习框架中的任一需要进行设备状态评估的客户端,关联客户端为联邦学习框架中除目标客户端外的其他与目标客户端通信的客户端。该方法的执行主体为联邦学习框架中的目标客户端。
如图1所示,为本实施例提供的一种基于领域自适应和联邦学习的设备状态评估方法的流程示意图,该方法包括如下步骤:
步骤101,目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
其中,目标设备为需要进行状态评估的设备,可以是机械设备或电子设备等;运行参数为表征设备运行状态的参数,具体可以根据设备的实际运行场景进行确定,如滚动轴承的运行参数为在当前时间周内以预设频率采集的振动信号时间序列。
目标域即为模型应用下的场景领域;源域即为模型训练下的场景领域。
可选地,目标客户端在接收到设备状态评估任务的情况下,实时获取目标域下的目标设备的运行参数;并对目标设备的运行参数进行多种统计特征提取,以将特征数据从高维特征空间映射到低维特征空间,并使映射后的特征数据仍具有良好的可分性和可预测性。
其中,统计特征提取包括时域统计特征提取和频域特征提取;
时域统计特征提取,包括但不限于提取运行参数的最大值、最小值、均值、峰峰值、绝对平均值、均方根值、方根幅值、标准差、峭度、偏度、裕度指标、波形指标、脉冲指标、峰值指标和峭度指标;
频域统计特征提取,包括但不限于提取运行参数的频率中心、平均频率、频域均方根以及频率方差。
然后,将提取的频域统计特征和时域统计特征拼接形成目标输入信息,以便根据统计特征,精准地评估出设备的健康状态。
步骤102,将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;
所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;
所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的;
其中,目标域状态评估模型是适用于目标域下的状态评估模型,是基于源域状态评估模型和源域下的样本数据集,使用时序对抗领域自适应算法进行迁移学习得到的。
如图3所示,目标域状态评估模型包括目标编码模块和目标双任务评估模块。对于目标域状态评估模型,其可在特征层面解决源域数据分布和目标域数据分布不同的问题。同时,为实现健康阶段划分和剩余使用寿命预测的同步分析,使用双任务网络进行评估值的同步输出,有效提高评估的效率和精准性。
源域状态评估模型是适用于源域下的状态评估模型,包括源编码模块以及源双任务评估模块;其用于辅助目标域状态评估模型的训练。
需要说明的是,在联邦学习框架中,目标客户端的本地内存和关联客户端的本地内存中均存储有预训练数据集、自适应训练数据集、源域状态评估模型;在对目标域状态评估模型进行训练过程中,目标客户端和关联客户端共同参与联邦学习,以实现去中心化联邦学习。
可选地,在执行步骤102之前,需要预先对目标域状态评估模型进行训练,具体训练方式为去中心化联邦学习训练,通过多个客户端协同进行全局模型的训练,解决工业背景下的数据孤岛问题,实现了隐私保护的双任务分析功能。具体训练步骤包括:
基于目标客户端内的预训练数据集,以及与目标客户端连通的关联客户端内的预训练数据集,对目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练,得到预训练的源编码模块;
然后,在每一次模型训练过程中,每个客户端nodei分别使用本地的自适应训练数据集进行对抗性自适应训练,并进行模型参数更新:
其中,wi(t+1)为客户端i在第t+1次模型训练获取的全局模型参数,Wij为客户端i与第二客户端j之间的邻接矩阵,用于表征客户端i与第二客户端j之间的通信情况,wj(t)为客户端j传输的第t次模型训练过程中得到的局部模型参数,∝t为客户端k在第t次模型训练的学习率,为第t次模型训练中,客户端i的局部损失函数,wi(t)为客户端i在第t次模型训练获取的本地模型参数。
迭代执行上述模型训练过程,直至达到最大迭代次数或模型收敛。
最后每个客户端nodei将训练得到的目标编码模块与基于目标客户端内的预训练数据集,以及关联客户端内的预训练数据集,对目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的目标双任务评估模块进行组合,得到目标域状态评估模型/>
通过上述联邦学习训练,可以实现如下效果:首先,在迭代训练的过程中,没有可以接收其他所有客户端信息的中央服务器,因此避免了数据泄漏;其次,客户端之间的连接是一种拓扑结构,任何的网络连接结构都可以完成最终的训练任务,因而客户端可以随时加入或退出训练迭代过程,使得客户端的训练更加灵活;最后,在每轮迭代中,模型更新只依赖于客户端和邻居之间的局部信息传输,降低了通信压力。
在获取到目标域状态评估模型之后,可将目标输入信息输入至目标域状态评估模型的目标编码模块,由目标编码模块对目标输入信息进行特征编码,以得到目标设备的编码特征,进而根据编码特征精准地评估出设备状态。
步骤103,将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
目标双任务评估模型包括剩余寿命预测分支模块和健康状态估计分支模块;剩余寿命预测分支模块用于预测设备的剩余寿命值,健康状态估计分支模块用于对设备的健康阶段进行划分。
如图4所述,剩余寿命预测分支模块可以是基于一层或多层全连接层以及输出层构建的,其中,输出层采用S型(sigmoid)激活函数;全连接层的数量可以根据实际需求进行设置,如两层。
健康状态估计分支模块也可以是基于一层或多层全连接层以及输出层构建的,输出层采用归一化指数(softmax)激活函数。全连接层的数量可以根据实际需求进行设置,如一层。
可选地,在获取到编码特征之后,可以将编码特征分别输入至目标双任务评估模块的剩余寿命预测分支模块和健康状态估计分支模块,得到目标设备的健康状态估计值和剩余寿命预测值;
也可以是先将编码特征输入至剩余寿命预测分支模块和健康状态估计分支模块中的任一分支模块,得到该分支模块输出的预测结果;然后,再将预测结果与编码特征共同输入至另一分支模块,得到另一分支模块的预测结果,本实施例对此不作具体地限定。
本实施例中提供的基于领域自适应和联邦学习的设备状态评估方法,通过目标域状态评估模型的双任务评估模块,对设备进行轴承健康阶段划分与剩余使用寿命预测,并使用预训练和领域自适应训练相结合的方法进行源域与目标域的特征映射和迁移,实现了基于带标签源域数据对无标签目标域数据进行精准预测以及源域数据与目标域数据的对齐,可针对不同场景下设备的健康状态进行精准评估;另一方面,引入鲁棒性较强的联邦学习框架进行目标域状态评估模型的协同训练,实现在保护数据隐私的同时,可进一步获取更加精准的设备的健康阶段划分结果和剩余使用寿命预测结果。
在一些实施例的基础上,所述目标编码模块和所述目标双任务评估模块是基于如下步骤进行训练得到的:
基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内的源域状态评估模型进行联邦学习预训练;
根据预训练的源域状态评估模型中预训练的源域双任务评估模块的模型参数,构建所述目标双任务评估模块;
根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块。
其中,预训练数据集中包括样本设备的运行参数以及样本设备的剩余寿命真实值和健康状态真实值;自适应训练数据集中包含样本设备的运行参数以及样本设备的领域标签。
可选地,目标域状态评估模型的具体训练步骤包括:
首先,对源域状态评估模型进行联邦学习预训练,具体训练步骤包括:
对于当前次模型训练,目标客户端与各关联客户端进行通信,以接收各关联客户端在当前次模型训练过程中,基于各自本地的预训练数据集,以及上一次模型训练对应的源域状态评估模型的全局模型参数,对各自本地存储的初始源域状态评估模型进行本地迭代训练获取的初始源域状态评估模型的局部模型参数。需要说明的是,在各客户端在本地对初始源域状态评估模型进行训练的过程中,以样本设备的剩余寿命真实值和健康状态真实值,以及源域双任务评估模块对源编码模块输出的样本设备的运行参数的编码特征进行预测输出的样本设备的剩余寿命预测值和健康状态预测值构建的损失函数最小为目标,对初始源域状态评估模型进行训练。
目标客户端可以根据初始源域状态评估模型的局部模型参数和本地存储的预训练数据集,对本地存储的初始源域状态评估模型进行聚合更新,得到当前次模型训练对应的初始源域状态评估模型的全局模型参数。
目标客户端在获取到当前次模型训练对应的初始源域状态评估模型的全局模型参数之后,将当前次模型训练对应的初始源域状态评估模型的全局模型参数,发送至各关联客户端,迭代执行模型训练步骤,直到全局模型参数对应的初始源域状态评估模型满足预设终止条件;预设终止条件包括但不限于模型训练次数大于预设次数、模型收敛等,本实施例对此不做具体地限定。
然后,根据最后一次模型训练对应的初始源域状态评估模型的全局模型参数,获取预训练的源域状态评估模型。
可选地,在获取到预训练的源域状态评估模型之后,可直接将预训练的源域状态评估模型中预训练的源域双任务评估模块的模型参数共享至目标双任务评估模块,以得到目标双任务评估模块。需要说明的是,目标双任务评估模块与预训练的源域双任务评估模块的结构和参数均一致。
然后,对目标编码模块进行联邦学习的自适应训练,具体训练步骤包括:
为了更好的对目标域的编码特征进行迁移,需要学习到更多的特征提取模式。因此,取消了权重共享这种方式,而是采用两个独立的编码器进行源域和目标域的特征映射。
对于联邦学习框架中的每一客户端,在本地训练过程中,通过将源编码模块的模型参数固定,然后采用源域下的自适应训练数据集与目标域下的自适应训练数据集,对目标编码模块进行自适应训练训练,实现源域与目标域的特征数对齐。此外,由于没有进行权重共享,目标域可能会学习到退化解,因而使用预训练的源编码模块的模型参数对目标编码模块进行初始化。
如图5所示,对抗性自适应的训练流程为将源域下的自适应训练数据集与目标域下的自适应训练数据集通过各自领域下的编码模块进行映射后,使用判别器进行域类别识别。借鉴生成式对抗网络(Generative Adversarial Nets,GANs)思想,通过最小化源域下的特征映射分布与目标域下的特征映射分布之间的距离为目标进行自适应训练。
需要说明的是,目标编码模块的联邦学习过程可参见源域状态评估模型的联邦学习训练步骤,此处不再赘述。
本实施例中,通过联合联邦学习和对抗领域自适应方法,可利用不同的映射将源域和目标域的时序特征数据对齐,实现了使用带标签的时序源域数据对无标签的目标域数据进行预测,有效提高设备状态评估结果的准确性。
在一些实施例中,所述根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块,包括:
对于当前次模型训练,接收所述关联客户端在所述当前次模型训练过程中得到的局部模型参数;所述局部模型参数是由所述关联客户端,基于所述关联客户端内的自适应训练数据集,以及上一次模型训练对应的全局模型参数,对所述关联客户端内的初始目标编码模块进行本地训练得到的;其中,所述关联客户端内的初始目标编码模块是根据所述预训练的源编码器模型的模型参数构建的;
基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练;
根据本地训练结果和所述局部模型参数进行聚合更新,得到所述当前次模型训练对应的全局模型参数;
将所述当前次模型训练对应的全局模型参数,发送至所述关联客户端,迭代执行模型训练步骤,直到所述目标客户端内训练得到的初始目标编码器模型满足预设终止条件;
根据最后一次模型训练对应的全局模型参数,获取所述目标编码模块。
可选地,目标编码模块的训练步骤具体包括:
使用预训练的源编码模块初始化每个客户端上的初始目标编码模块的权重,得到每个客户端上的初始目标编码模块。
对于当前次模型训练,目标客户端与各关联客户端进行通信,以接收各关联客户端在当前次模型训练过程中,基于各自本地的自适应训练数据集,以及上一次模型训练对应的初始目标编码模块的全局模型参数,对各自本地存储的初始目标编码模块进行本地迭代训练获取的初始目标编码模块的局部模型参数。
需要说明的是,在各客户端在本地对初始目标编码模块进行训练的过程中,以样本设备的领域标签,以及判别器对初始目标编码模块输出的样本设备的编码特征以及预训练的源编码模块输出的样本设备的编码特征进行领域分类,输出的领域识别结果构建的损失函数最小为目标,对初始目标编码模块进行训练。
目标客户端可以根据初始目标编码模块的局部模型参数和本地存储的自适应训练数据集,对本地存储的初始目标编码模块进行聚合更新,得到当前次模型训练对应的初始目标编码模块的全局模型参数。
目标客户端在获取到当前次模型训练对应的初始目标编码模块的全局模型参数之后,将当前次模型训练对应的初始目标编码模块的全局模型参数,发送至各关联客户端,迭代执行模型训练步骤,直到全局模型参数对应的初始目标编码模块满足预设终止条件;预设终止条件包括但不限于模型训练次数大于预设次数、模型收敛等,本实施例对此不做具体地限定。
然后,根据最后一次模型训练对应的初始目标编码模块的全局模型参数,获取目标编码模块。
本实施例中,通过联合联邦学习和对抗领域自适应方法对目标编码模块进行训练,可利用不同的映射将源域和目标域的时序特征数据对齐,以有效提高设备状态评估结果的准确性。
在一些实施例中,所述基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练,包括:
从所述目标客户端内的自适应训练数据集中,抽取出所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签;
在所述上一次模型训练对应的全局模型参数的基础上,基于所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签,对所述目标客户端内的初始目标编码模块进行对抗领域自适应的本地训练。
其中,自适应训练数据集中包含目标领域下的样本设备的运行参数和目标域下的样本设备的领域标签,以及源域下的样本设备的运行参数和源域下的样本设备的领域标签。
可选地,在当前次模型训练过程中,目标客户端在本地进行初始目标编码模块的对抗领域自适应训练的步骤具体包括如下:
将目标客户端内的自适应训练数据集中源域下的样本设备的运行参数输入至预训练的源编码模块中,得到源域编码特征;
将目标客户端内的自适应训练数据集中目标域下的样本设备的运行参数输入至基于上一次模型训练对应的全局模型参数更新后的目标编码模块中,得到目标域编码特征。
然后,将目标域编码特征和源域编码特征输入至判别器中,由判别器对目标域编码特征和源域编码特征进行对抗学习,以识别出样本设备所属的领域类别预测值,根据样本设备所属的领域类别预测值以及样本设备的领域标签,获取初始目标编码模块对应的损失函数,进而根据损失函数对初始目标编码模块进行对抗领域自适应的本地训练,以得到本地训练结果。
本实施例中,在模型训练过程中,通过增加判别器,可实现目标域特征映射与源域特征映射距离的缩小,使得训练得到的目标编码模块可具备样本的域不变特征的学习性能,且在训练过程中,不需要对目标域下状态标签进行标记,进而实现减少目标域下状态标签的标记所需的标记成本的同时,可在目标领域下精准地识别出模型。
在一些实施例中,所述目标客户端内的初始目标编码模块对应的损失函数是基于所述源域下的样本设备的领域预测结果正确的概率、所述目标域下的样本设备的领域预测结果正确的概率,以及所述目标域下的样本设备的领域损失函数进行联合构建的;
所述目标客户端内的初始目标编码模块,以最小化所述源域下的样本设备的编码特征与所述目标域下的样本设备的编码特征之间的相似度距离为训练目标。
其中,在对抗领域自适应训练过程中,所采用的判别器的主体结构可以根据实际需求进行设置,如Bi-GRU(Bidirectional Gate Recurrent Unit,双向门控循环单元)网络。GRU(Gate Recurrent Unit,门控循环单元)网络通常被用来处理时序数据,而Bi-GRU网络则通过沿时间正序和时间逆序两个方向处理时间序列,能捕捉到被单向网络所忽略的信息,可提高了判别器的判别精度,进而提高设备状态评估的精度。
在对抗领域自适应训练过程中,可将将源域和目标域的域分类问题看作二分类问题,如将源域标签设为1,目标域标签设为0。
判别器期望能够对经过编码模块进行映射后的编码特征进行精准区分,因而判别器D的第一优化目标为最小化如下函数:
其中,Lossdisc为第一损失函数;表示判别器对源域下的样本设备的领域预测结果正确的概率,/>表示判别器对目标域下的样本设备的领域预测结果正确的概率。/>为源域下的样本设备的运行参数;/>为目标域下的样本设备的运行参数;/>和/>分别为预训练后的源编码模块输出的源域下的样本设备的运行参数的编码特征,以及初始目标编码模块输出的目标域下的样本设备的运行参数的编码特征;D为判别器的输出结果。
在训练初期,目标编码模块映射的数据可能质量较差,判别器很容易就可以正确判别来自目标域的样本设备的运行参数分布特征,导致达到饱和,无法提供足够的梯度进行目标编码器的训练。因此,可增加判别器D的第二优化目标为最小化如下函数:
其中,Lossm为第二损失函数,即为域适应后目标域下的样本设备的领域损失函数。
将上述第一损失函数和第二损失函数进行结合,得到初始目标编码模块对应的损失函数LossDA如下:
LossDA=βlLossdisc+β2Lossm;
其中,β1,β2为重要性系数,分别由Lossdisc和Lossm在LossDA的重要度决定的。
在一些实施例中,对于所述目标客户端和所述关联客户端中的每一客户端,所述每一客户端内的源域状态评估模型的损失函数,是基于所述源域状态评估模型中的源域双任务评估模块的损失函数和所述源域状态评估模型中的源编码模块的损失函数进行联合构建的。
可选地,每一客户端在本地对源域状态评估模型进行训练时,以源域状态评估模型的损失函数最小化为目标进行迭代更新。
由于源域状态评估模型属于双任务网络,每个任务都有各自的损失函数,为了实现联合训练,使得双任务网络的评估效果均达到最优,可以联合双任务网络的损失函数联合构建源域状态评估模型的损失函数,具体计算公式为:
LossDr=LossRUL+λLossHs;
其中,λ为权重系数,由不同损失的贡献度决定,LossDT为源域状态评估模型的损失函数,LossRUL和LossHS分别为源域状态评估模型中源域双任务评估模块中的剩余寿命预测分支模块的损失函数和健康状态估计分支模块的损失函数。
剩余寿命预测分支模块的损失函数如下:
分类任务的损失函数使用交叉熵函数进行确定:
在一些实施例中,步骤103中所述将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值,包括:
将所述编码特征输入至所述目标双任务评估模块的剩余寿命预测分支模块,得到所述目标设备的剩余寿命预测值;
将所述编码特征和所述目标设备的剩余寿命预测值输入至所述目标双任务评估模块的健康状态估计分支模块,得到所述目标设备的健康状态估计值。
如图4所示,目标编码模块的输出端分别与剩余寿命预测分支模块的输入端和健康状态估计分支模块的输入端连接,且剩余寿命预测分支模块的输出端与健康状态估计分支模块的输入端连接。
对于目标双任务评估模块,其中,健康状态估计分支模块本质上执行的是分类任务,剩余寿命预测分支模块是本质上执行的回归任务。两个任务可以共享目标编码器模块提取到的编码特征。
为了保证两个分支模块的输出信息之间的对应关系,避免在实际应用中出现输出不匹配问题,如剩余寿命预测分支模块预测的剩余使用寿命已经属于退化阶段,但健康状态估计分支模块预测的健康状态却为正常运行状态,本实施例将回归任务的输出作为分类任务的另一个输入,加强了两个任务之间的联系,保证了输出的一致性,进而提高了设备状态评估的精准性。
在一些实施例中,所述目标客户端内的预训练数据集中包括样本设备的运行参数、样本设备的健康状态真实值和样本设备的剩余寿命真实值;
其中,所述健康状态真实值是基于如下步骤得到的:
对所述目标客户端内的预训练数据集中的样本设备的运行参数进行统计特征提取,得到多个统计特征;
对各统计特征进行模态分解,根据模态分解结果进行特征趋势重构;
对趋势重构结果进行样本聚类,根据聚类结果,获取所述目标客户端内的预训练数据集中的样本设备的健康状态真实值。
其中,模态分解方式可以是经验模态分解或扩展的经验模态分解或CEEMDAN(自适应噪声完备集合经验模态分解,Complete Ensemble Empirical Mode Decompositionwith Adaptive Noise)等,本实施例对此步不做具体地限定。
聚类算法可以是基于DTW(Dynamic Time Warping,动态时间归整)的聚类算法等聚类算法,本实施例对此不做具体地限定。
可选地,对于目标客户端和关联客户端中的每一客户端;该客户端的预训练数据集包括样本设备的完整运行周期的运行参数以及完整运行周期下的样本设备的健康状态真实值和剩余寿命真实值。
其中,样本设备的健康状态真实值是基于如下步骤得到的:
首先,采用如步骤101中对目标设备进行的统计特征提取方式,对样本设备各周期的运行参数进行统计特征提取,包括但不限于最大值、最小值、均值、峰峰值、绝对平均值、均方根值、方根幅值、标准差、峭度、偏度、裕度指标、波形指标、脉冲指标、峰值指标、峭度指标、频率中心、平均频率、频域均方根以及频率方差。
取样本设备的运行参数的统计特征后,使用模态分解算法对每一统计特征下的完整周期的特征序列进行模态分解,根据模态分解结果进行特征趋势重构,以消除特征序列中的噪声信号。并对重构的趋势特征进行样本的聚类,以进行自适应的健康阶段划分,即自适应地获取到样本设备的健康状态真实值。
以下以CEEMDAN模态分解以及基于DTW的样本聚类为例,对本实施例中健康状态真实值的获取流程进行具体描述:
可选地,引入CEEMDAN技术进行特征趋势进行重构,通过将自适应白噪声加入到每个分解尺度的残差分量中,而不是直接添加原始信号中,然后对其进行总体平均计算,有效解决了白噪声从高频到低频的传递问题,在有效缓解统计特征噪声的同时,使得获取的趋势重构特征更加符合设备退化过程,进而提高设备状态评估的准确性。
为实现设备的健康状态的自适应识别,采用基于DTW算法的相似性度量方法进行样本的聚类。由于,时序数据的波形中常常也包含有一些固有信息,可以从其外部的形状反映出序列的某些属性。而DTW算法考虑了形状,且其通过将两个时间序列以非线性方式扭曲来测量其之间的相似性,比欧氏距离方法表现出更好的性能。通过将重构的趋势特征作为基于DTW算法的聚类模型的输入信息,由聚类模型根据DTW算法计算样本间的相似性,以对不同健康状态进行划分,进而自动标记样本设备的健康状态真实值。
需要说明的是,剩余寿命预测真实值是从设备开始退化的点计算获取的;即在退化点之前,剩余寿命预测真实值默认为100%,在退化点之后,则根据样本设备的总寿命周期、退化点所在的时间周期、以及当前周期,计算获取样本设备的剩余寿命真实值。
如图6所示,通过自适应计算,可将样本轴承的整个寿命周期划分为阶段0、阶段1、阶段2和阶段3;其中,阶段0为磨合阶段,阶段1为稳定工作阶段,阶段2为缺陷阶段,阶段3为故障阶段。将阶段2的第一个采样点设为退化点,从退化点开始计算轴承的RUL,更加符合实际场景。
本实施例中,通过模态分解和聚类算法,可以自适应地对样本设备的健康状态真实值进行精准标注,在减少人工标注成本的同时,可以进一步提高目标域状态评估模型的评估准确性。
在一些实施例中,所述目标编码模块包括注意力网络单元;
所述注意力网络单元包含卷积层;
所述卷积层的卷积核尺度是根据所述卷积层的输出信息的通道数量确定的。
其中,目标编码模块包括一个或多个注意力网络单元,具体数量可以根据实际需求进行设置。注意力机制,其本质是一种通过网络自主学习出的一组权重系数,并以动态加权的方式来强调感兴趣的区域同时抑制不相关背景区域的机制。
如图7所示,每一注意力网络单元可以是基于通道注意力网络构建生成,包括全局平均池化层(GAP,global average pooling)、一维卷积层、非线性变换层、通道注意力结合层;其中,GAP用于对输入特征进行空间特征压缩,如将T×F×N的输入特征,压缩至1×1×N;一维卷积层用于对压缩后的特征进行通道特征学习,并经过非线性变换层进行非线性变换,得到通道特征;通道注意力结合层用于将输入特征与通道特征进行逐通道相乘,得到注意力网络单元输入的注意力特征。
通过在编码模块中增加注意力机制模块,可以有效捕捉时序数据中影响健康状态分析效果的重要特征,以提高网络迁移效果。注意力机制模块使用卷积进行信息交互,因为卷积具有良好的跨通道信息获取能力。通过使用一维卷积层来完成跨通道间的信息交互,不仅增加了通道间的信息交互能力,还降低了网络的复杂度。
由于在进行卷积操作时,卷积核的大小影响了感受视野,决定了注意力机制权重计算时所考虑的通道数量,因而通过如下自适应函数计算得到卷积核的大小:
其中,C为通道数,k为卷积核尺度;|·|odd为取奇数操作;γ和b为调节系数,用于调节通道数和卷积核尺度之间的比例,具体可以根据实际需求进行设置,如γ=2,b=1。
本实施例通过自适应函数计算卷积核大小,可以通过根据通道数,动态设置卷积核大小,以学习不同通道之间的重要性,提高跨通道信息获取能力,进而提高特征提取的精准性,进一步提高设备状态评估的精准性。
为了进一步验证本实施例的设备状态评估方法的有效性,本实施例将不同工况下的不同滚动轴承数据分别作为源域和目标域,并与其他模型以及现有方法进行对比,验证该方法的有效性。
表1 PHM2012数据分布表
工况1 | 工况2 | 工况3 | |
负载(单位N) | 4000 | 4200 | 5000 |
转速(单位rpm) | 1800 | 1650 | 1500 |
轴承编号 | 轴承1-1 | 轴承2-1 | 轴承3-1 |
轴承1-2 | 轴承2-2 | 轴承3-2 | |
轴承1-3 | 轴承2-3 | 轴承3-3 | |
轴承1-4 | 轴承2-4 | ||
轴承1-5 | 轴承2-5 | ||
轴承1-6 | 轴承2-6 | ||
轴承1-7 | 轴承2-7 |
可选地,基于PHM2012(Prognostics Health Management,2012故障预测和健康管理)数据进行仿真实验,根据所给出的源域数据,在目标域上仿真验证算法有效性。如表1所示,PHM2012数据中包括多种工况下的不同编号的轴承数据,不同工况下的负载和转速不同。
其中,采用工况1下的轴承1-1作为源域下的样本设备,工况1下的其他轴承以及其他工况的轴承作为目标域下的样本设备,设计三组迁移任务,分别为A-B迁移任务、A-C迁移任务和A-D迁移任务进行仿真,如表2所示。同时设计四个节点,进行去中心化联邦学习的模拟。
表2迁移任务分布表
如图8所示,以迁移任务A-B为例,对本实施例中的基于领域自适应和联邦学习的设备状态评估方法的完整流程展开描述,具体步骤包括:
步骤一,对对获得的PHM2012轴承数据集提取19个统计特征,包括15个时域特征、4个频域特征,具体为最大值、最小值、均值、峰峰值、绝对平均值、均方根值、方根幅值、标准差、峭度、偏度、裕度指标、波形指标、脉冲指标、峰值指标、峭度指标、频率中心、平均频率、频域均方根以及频率方差。采用工况1下的Bearing 1-1作为源域的样本数据,工况1下的其他轴承以及其他工况的轴承作为目标域的样本数据进行仿真验证。
步骤二:取原始信号的统计特征后,使用CEEMDAN进行特征趋势重构,并对重构特征利用基于DTW算法的相似性度量方法进行样本的聚类,以对样本设备进行自适应地健康状态真实值的标记和剩余寿命真实值的标记。
步骤三:使用时序对抗领域自适应算法进行迁移学习以及联邦学习构建目标域状态评估模型,以在特征层面解决数据分布不同的问题,解决工业背景下的数据孤岛问题,实现了隐私保护的双任务分析功能;并在目标域状态评估模型加入特征注意力机制,捕捉重要的特征,提升迁移的效果。同时,为实现健康阶段划分和剩余使用寿命预测的同步分析,使用双任务网络进行目标值的同步输出,提高状态评估的效率。
综上,本实施例基于CEEMDAN进行特征趋势重构,并通过基于DTW算法的聚类实现了轴承运行状态划分识别。通过双任务网络进行轴承健康阶段划分与剩余使用寿命预测,并使用时序对抗领域自适应和注意力机制相结合的方法进行源域与目标域的特征迁移,实现了仅使用带标签源域数据对无标签目标域数据进行预测。最后,为解决实际工业场景中的数据孤岛问题,引入了鲁棒性较强的去中心化联邦学习框架进行模型的协同训练,有效提高了设备状态评估的精确度。
如图9所示,经过迁移后轴承的状态评估结果的误差面积均小于未经过迁移后轴承的状态评估结果的误差面积,进一步表征本实施例中使用时序对抗领域自适应算法后预测效果更好。
表3所示所述,本实施例提供的设备状态评估方法在各种迁移任务下的健康状态估计值的精确度、召回率和F1得分均表现出良好的性能。
表3本实施例提供的设备状态评估方法的仿真结果表之一
A-B | A-C | A-D | |
精确度 | 0.9376 | 0.9658 | 0.9724 |
召回率 | 0.9321 | 0.9702 | 0.9767 |
F1得分 | 0.9262 | 0.9692 | 0.9721 |
本实施例提出的设备状态评估方法在轴承健康状态估计过程与真实状态的变化趋势基本保持一致,具有良好的评估性能。
为了更好的验证我们提出的方法,使用RMSE(Root Mean Square Error,均方根误差)、MAE(Mean Absolute Error,平均绝对值误差)、Score(得分)作为评价指标,其表达式如下:
其中,n为样本设备的数量,RULreal和RULpred分别为剩余寿命真实值和剩余寿命预测值;Ai为样本设备i的得分系数;Ei为样本设备i的误差系数。
表4各种设备状态评估方法的性能评估表
如表4所示,本实施提出的设备状态评估方法与如下现有技术进行比较:(1)基于TCNN(Transfer Convolutional Neural Network,迁移卷积神经网络)构建的目标域状态评估模型,下文简称TCNN;(2)基于TBiGRU(Transferable Bidirectional GRU,可迁移的双向GRU)构建的目标域状态评估模型,下文简称TBiGRU;(3)基于TCA(Transfer ComponentAnalysis,迁移成分分析)构建的目标域状态评估模型,下文简称TCA;其在RMSE、MAE和Score性能指标中均表现出良好的性能。
为解决工业背景下的数据孤岛问题,进一步引入了去中心化联邦学习框架。设置4个终端,对联邦学习情景进行模型,表5展示了四个终端的数据分配情况。
表5各终端的数据分配情况
表6各客户端在不同学习框架下的预测性能表
表6展示了使用集中式学习、传统联邦学习与本实施例中的去中心化联邦学习进行训练后的RUL预测效果对比,可以看到,三种方法效果相近,证明了去中心化联邦学习框架的有效性。
图10展示了去中心化联邦学习下的终端3的健康状态评估结果,可以看到,本实施例提供的设备状态评估方法下的健康状态评估结果取得了不错的效果,特别是对后期退化和故障状态的预测准确率能达到95%以上,这对于实际工业场景中及时进行预测性维护有很大帮助。
下面对本发明提供的基于领域自适应和联邦学习的设备状态评估系统进行描述,下文描述的基于领域自适应和联邦学习的设备状态评估系统与上文描述的基于领域自适应和联邦学习的设备状态评估方法可相互对应参照。
如图11所示,本实施例提供一种基于领域自适应和联邦学习的设备状态评估系统,该系统包括:
数据采集模块1101用于目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
特征编码模块1102用于将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;
状态评估模块1103用于将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
本发明提供的基于领域自适应和联邦学习的设备状态评估系统,通过目标域状态评估模型的双任务评估模块,对设备进行轴承健康阶段划分与剩余使用寿命预测,并使用预训练和领域自适应训练相结合的方法进行源域与目标域的特征映射和迁移,实现了基于带标签源域数据对无标签目标域数据进行精准预测以及源域数据与目标域数据的对齐,可针对不同场景下设备的健康状态进行精准评估;另一方面,引入鲁棒性较强的联邦学习框架进行目标域状态评估模型的协同训练,实现在保护数据隐私的同时,可进一步获取更加精准的设备的健康阶段划分结果和剩余使用寿命预测结果。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1201、通信接口(Communications Interface)1202、存储器(memory)1203和通信总线1204,其中,处理器1201,通信接口1202,存储器1203通过通信总线1204完成相互间的通信。处理器1201可以调用存储器1203中的逻辑指令,以执行基于领域自适应和联邦学习的设备状态评估方法,该方法包括:目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
此外,上述的存储器1203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于领域自适应和联邦学习的设备状态评估方法,该方法包括:目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于领域自适应和联邦学习的设备状态评估方法,该方法包括:目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于领域自适应和联邦学习的设备状态评估方法,其特征在于,包括:
目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;
将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;
所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;
所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
2.根据权利要求1所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述目标编码模块和所述目标双任务评估模块是基于如下步骤进行训练得到的:
基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内的源域状态评估模型进行联邦学习预训练;
根据预训练的源域状态评估模型中预训练的源域双任务评估模块的模型参数,构建所述目标双任务评估模块;
根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块。
3.根据权利要求2所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述根据所述预训练的源域状态评估模型中预训练的源编码模块,以及所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集,对所述目标客户端内的初始目标编码模块进行联邦学习的自适应训练,得到所述目标编码模块,包括:
对于当前次模型训练,接收所述关联客户端在所述当前次模型训练过程中得到的局部模型参数;所述局部模型参数是由所述关联客户端,基于所述关联客户端内的自适应训练数据集,以及上一次模型训练对应的全局模型参数,对所述关联客户端内的初始目标编码模块进行本地训练得到的;其中,所述关联客户端内的初始目标编码模块是根据所述预训练的源编码器模型的模型参数构建的;
基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练;
根据本地训练结果和所述局部模型参数进行聚合更新,得到所述当前次模型训练对应的全局模型参数;
将所述当前次模型训练对应的全局模型参数,发送至所述关联客户端,迭代执行模型训练步骤,直到所述目标客户端内训练得到的初始目标编码器模型满足预设终止条件;
根据最后一次模型训练对应的全局模型参数,获取所述目标编码模块。
4.根据权利要求3所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述基于所述目标客户端内的自适应训练数据集,以及所述上一次模型训练对应的全局模型参数,对所述目标客户端内的初始目标编码模块进行本地训练,包括:
从所述目标客户端内的自适应训练数据集中,抽取出所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签;
在所述上一次模型训练对应的全局模型参数的基础上,基于所述目标域下的样本设备的运行参数和所述目标域下的样本设备的领域标签,以及所述源域下的样本设备的运行参数和所述源域下的样本设备的领域标签,对所述目标客户端内的初始目标编码模块进行对抗领域自适应的本地训练。
5.根据权利要求4所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述目标客户端内的初始目标编码模块对应的损失函数是基于所述源域下的样本设备的领域预测结果正确的概率、所述目标域下的样本设备的领域预测结果正确的概率,以及所述目标域下的样本设备的领域损失函数进行联合构建的;
所述目标客户端内的初始目标编码模块,以最小化所述源域下的样本设备的编码特征与所述目标域下的样本设备的编码特征之间的相似度距离为训练目标。
6.根据权利要求1-5任一所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,对于所述目标客户端和所述关联客户端中的每一客户端,所述每一客户端内的源域状态评估模型的损失函数,是基于所述源域状态评估模型中源域双任务评估模块中的剩余寿命预测分支模块的损失函数和健康状态估计分支模块的损失函数进行联合构建的。
7.根据权利要求1-5任一所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值,包括:
将所述编码特征输入至所述目标双任务评估模块的剩余寿命预测分支模块,得到所述目标设备的剩余寿命预测值;
将所述编码特征和所述目标设备的剩余寿命预测值输入至所述目标双任务评估模块的健康状态估计分支模块,得到所述目标设备的健康状态估计值。
8.根据权利要求1-5任一所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述目标客户端内的预训练数据集中包括样本设备的运行参数、样本设备的健康状态真实值和样本设备的剩余寿命真实值;
所述健康状态真实值是基于如下步骤得到的:
对所述目标客户端内的预训练数据集中的样本设备的运行参数进行统计特征提取,得到多个统计特征;
对各统计特征进行模态分解,根据模态分解结果进行特征趋势重构;
对趋势重构结果进行样本聚类,根据聚类结果,获取所述目标客户端内的预训练数据集中的样本设备的健康状态真实值。
9.根据权利要求1-5任一所述的基于领域自适应和联邦学习的设备状态评估方法,其特征在于,所述目标编码模块包括注意力网络单元;
所述注意力网络单元包含卷积层;
所述卷积层的卷积核尺度是根据所述卷积层的输出信息的通道数量确定的。
10.一种基于领域自适应和联邦学习的设备状态评估系统,其特征在于,包括:
数据采集模块,用于目标客户端根据目标域下的目标设备的运行参数,确定目标输入信息;
特征编码模块,用于将所述目标输入信息输入至目标域状态评估模型的目标编码模块,得到所述目标设备的编码特征;
状态评估模块,用于将所述编码特征输入至所述目标域状态评估模型的目标双任务评估模块,得到所述目标设备的健康状态估计值和所述目标设备的剩余寿命预测值;
其中,所述目标编码模块是基于预训练和领域自适应训练得到的;所述预训练包括基于所述目标客户端内的预训练数据集,以及与所述目标客户端连通的关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源编码模块进行联邦学习的预训练;每一预训练数据集包括源域下的预训练数据子集;
所述领域自适应训练包括基于预训练的源编码模块、所述目标客户端内的自适应训练数据集和所述关联客户端内的自适应训练数据集进行联邦学习的自适应训练;每一自适应训练数据集包括所述目标域下的自适应训练数据子集和所述源域下的自适应训练数据子集;
所述目标双任务评估模块是基于所述目标客户端内的预训练数据集,以及所述关联客户端内的预训练数据集,对所述目标客户端内源域状态评估模型的源域双任务评估模块进行联邦学习训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518122.0A CN116257972B (zh) | 2022-11-29 | 2022-11-29 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518122.0A CN116257972B (zh) | 2022-11-29 | 2022-11-29 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116257972A true CN116257972A (zh) | 2023-06-13 |
CN116257972B CN116257972B (zh) | 2024-02-20 |
Family
ID=86681581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518122.0A Active CN116257972B (zh) | 2022-11-29 | 2022-11-29 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257972B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2533321C1 (ru) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Способ адаптивного прогнозирования остаточного ресурса эксплуатации сложных объектов и устройство для его осуществления |
CN108645615A (zh) * | 2018-04-08 | 2018-10-12 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
CN112949097A (zh) * | 2021-04-19 | 2021-06-11 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN113221382A (zh) * | 2021-06-01 | 2021-08-06 | 中国科学院自动化研究所 | 一种工业设备剩余寿命预测方法、系统及设备 |
CN113420888A (zh) * | 2021-06-03 | 2021-09-21 | 中国石油大学(华东) | 一种基于泛化域自适应的无监督联邦学习方法 |
CN114580255A (zh) * | 2020-11-30 | 2022-06-03 | 新智数字科技有限公司 | 一种设备剩余寿命预测模型的构建方法及终端设备 |
CN114742143A (zh) * | 2022-03-31 | 2022-07-12 | 全球能源互联网研究院有限公司南京分公司 | 基于联邦学习的安全训练模型构建方法、装置、系统 |
CN114740388A (zh) * | 2022-04-01 | 2022-07-12 | 浙江大学 | 一种基于改进tcn的锂电池剩余寿命状态评估方法 |
CN115329885A (zh) * | 2022-08-23 | 2022-11-11 | 浙江工业大学 | 一种基于隐私保护的个性化联邦学习方法和装置 |
-
2022
- 2022-11-29 CN CN202211518122.0A patent/CN116257972B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2533321C1 (ru) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Способ адаптивного прогнозирования остаточного ресурса эксплуатации сложных объектов и устройство для его осуществления |
CN108645615A (zh) * | 2018-04-08 | 2018-10-12 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
CN114580255A (zh) * | 2020-11-30 | 2022-06-03 | 新智数字科技有限公司 | 一种设备剩余寿命预测模型的构建方法及终端设备 |
CN112949097A (zh) * | 2021-04-19 | 2021-06-11 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN113221382A (zh) * | 2021-06-01 | 2021-08-06 | 中国科学院自动化研究所 | 一种工业设备剩余寿命预测方法、系统及设备 |
CN113420888A (zh) * | 2021-06-03 | 2021-09-21 | 中国石油大学(华东) | 一种基于泛化域自适应的无监督联邦学习方法 |
CN114742143A (zh) * | 2022-03-31 | 2022-07-12 | 全球能源互联网研究院有限公司南京分公司 | 基于联邦学习的安全训练模型构建方法、装置、系统 |
CN114740388A (zh) * | 2022-04-01 | 2022-07-12 | 浙江大学 | 一种基于改进tcn的锂电池剩余寿命状态评估方法 |
CN115329885A (zh) * | 2022-08-23 | 2022-11-11 | 浙江工业大学 | 一种基于隐私保护的个性化联邦学习方法和装置 |
Non-Patent Citations (4)
Title |
---|
TIANCHI DENG ET AL.: "Federated learning-based collaborative manufacturing for complex parts", 《(2023)JOURNAL OF INTELLIGENT MANUFACTURING》, vol. 34, pages 3025 * |
X. LI ET AL.: "Remaining Useful Life Prediction With Partial Sensor Malfunctions Using Deep Adversarial Networks", 《 IEEE/CAA JOURNAL OF AUTOMATICA SINICA》, pages 121 * |
张傲: "基于联邦学习的疾病预测研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 3, pages 054 - 107 * |
马辉: "基于深度神经网络的提升机轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 1, pages 021 - 559 * |
Also Published As
Publication number | Publication date |
---|---|
CN116257972B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN114118156A (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 | |
Liu et al. | A novel health prognosis method for system based on improved degenerated Hidden Markov model | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
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 | |
CN116257972B (zh) | 基于领域自适应和联邦学习的设备状态评估方法及系统 | |
CN114580087B (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
CN116523002A (zh) | 多源异构数据的动态图生成对抗网络轨迹预测方法和系统 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN114235409B (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN115470630A (zh) | 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN114154415A (zh) | 设备寿命的预测方法及装置 | |
Kou | Wireless Communication System and Its Application in Big Data Remote Monitoring and Decision‐Making | |
CN117874596A (zh) | 多任务学习和隐私保护的设备健康状态评估方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |