[發明專利]基于橫向聯合學習的設備故障預測模型構建方法和設備

在審

• 申請號: 202110047694.4
• 申請日: 2021-01-14
• 公開（公告）號: CN114764650A
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 何博睿
• 申請（專利權）人: 新智數字科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00;G06N3/08
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 楊波

本發明適用于人工智能技術領域，提供了基于橫向聯合學習的設備故障預測模型構建方法和設備，所述方法包括：獲取多個設備的特征數據，所述特征數據包括具有標簽的特征數據或/和不具有標簽的特征數據；根據所述多個設備的特征數據，建立橫向聯合學習任務；根據所述橫向聯合學習任務，使用所述設備各自的所述特征數據對至少包括所述具有標簽的特征數據的損失函數和所述不具有標簽的特征數據的損失函數相加得到的目標損失函數的模型進行訓練；據所述訓練的結果建立得到用于所述設備故障預測的目標模型。本發明在結合聯合學習的基礎上引入不具有標簽的特征數據來擴大數據信息，使得一些建模無效的場景可以通過這種上述方法來建立目標模型。

技術領域

本發明屬于人工智能技術領域，尤其涉及基于橫向聯合學習的設備故障預測模型構建方法和設備。

背景技術

隨著人工智能的發展，在各個領域開始利用人工智能來對生產加工進行升級。例如，在能源系統中，針對設備故障檢測，傳統方法都是依靠實際技術人員實地檢測去確認的。而如今在人工智能技術的幫助下，企業開始使用設備的運行數據來建立能夠對設備故障進行預測的模型。

在實際模型的建立過程中，技術人員發現，系統中設備所擁有的數據量中符合建模要求的數據特別少，比如有標簽的樣本量很小，從而無法建立有效的預測模型。

發明內容

有鑒于此，本發明實施例提供了基于橫向聯合學習的設備故障預測模型構建方法和設備，以解決在設備擁有的數據無法建立有效的預測模型來對設備進行故障預測性檢測的問題。

本發明實施例的第一方面，提供了一種基于橫向聯合學習的設備故障預測模型構建方法，其包括：獲取多個設備的特征數據，所述特征數據包括具有標簽的特征數據或/和不具有標簽的特征數據；根據所述多個設備的特征數據，建立橫向聯合學習任務；根據所述橫向聯合學習任務，使用所述設備各自的所述特征數據對至少包括所述具有標簽的特征數據的損失函數和所述不具有標簽的特征數據的損失函數相加得到的目標損失函數的模型進行訓練；根據所述訓練的結果建立得到用于所述設備故障預測的目標模型。

在一些可選方案中，所述根據所述多個設備的特征數據，建立橫向聯合學習任務，包括：確定聯合學習的聯合方；確定各個設備的特征數據為數據節點，并將各所述數據節點作為聯合學習參與方；根據所述參與方和聯合方，建立橫向聯合學習任務。

在一些可選方案中，所述根據所述橫向聯合學習任務，使用所述設備各自的所述特征數據對至少包括所述具有標簽的特征數據的損失函數和所述不具有標簽的特征數據的損失函數相加得到的目標損失函數的模型進行訓練：包括：基于橫向聯合學習框架，對所述具有標簽的特征數據建立預測模型；利用建立的所述預測模型對不具有標簽的特征數據進行預測，得到所述不具有標簽的特征數據的預測值；將預測模型預測得到的所有預測值按照從小到大的順序排序，選擇排序靠前和排序靠后的部分預測值，將所述選取的預測值和所述選取的預測值對應的不具有標簽的特征數據作為樣本數據；根據所述具有標簽的特征數據和所述樣本數據構建目標模型；根據所述橫向聯合學習框架，對所述目標模型的損失函數進行訓練，其中，所述目標模型的損失函數至少包括所述具有標簽的特征數據的損失函數和所述不具有標簽的特征數據的損失函數相加。

在一些可選方案中，所述目標模型的損失函數，還包括：所述具有標簽的特征數據的損失函數加成權重系數后與所述不具有標簽的特征數據的損失函數相加。