[發(fā)明專利]一種基于多源異構(gòu)數(shù)據(jù)聯(lián)邦學習的安全生產(chǎn)預警系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110289458.3
• 申請日: 2021-03-18
• 公開（公告）號: CN113160021B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設計）人: 蔡剛
• 申請（專利權(quán)）人: 天津中科物聯(lián)科技有限公司
• 主分類號: G06Q50/26
• 分類號: G06Q50/26;G06K9/62;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 天津垠坤知識產(chǎn)權(quán)代理有限公司 12248
• 代理人: 江潔

本發(fā)明提供了一種基于多源異構(gòu)數(shù)據(jù)聯(lián)邦學習的安全生產(chǎn)預警系統(tǒng)，包括：中央決策服務器和多個節(jié)點客戶端，在中央決策服務器上建立中央模型，每一個中央模型處理一種數(shù)據(jù)；在節(jié)點客戶端上建立本地模型，使用本地數(shù)據(jù)進行模型訓練，生成本地模型參數(shù)；選擇對應的中央模型，將本地模型參數(shù)上傳至對應的中央模型；每一個中央模型均接收多個本地模型參數(shù)，建立全局參數(shù)模型；節(jié)點客戶端下載全局參數(shù)模型，直至中央模型收斂或達到預定的訓練輪次；將訓練完成后的中央模型下發(fā)至各個節(jié)點客戶端；節(jié)點客戶端生成識別結(jié)果，實施預警。本發(fā)明解決各個園區(qū)安全生產(chǎn)各自為政的問題，實現(xiàn)安全生產(chǎn)聯(lián)防聯(lián)控，共同解決彼此相關問題，保證了園區(qū)企業(yè)的數(shù)據(jù)隱私。

技術(shù)領域

本發(fā)明涉及人工智能技術(shù)領域，具體涉及為一種基于多源異構(gòu)數(shù)據(jù)聯(lián)邦學習的安全生產(chǎn)預警系統(tǒng)。

背景技術(shù)

當前化工園區(qū)的安全生產(chǎn)形勢和目標是聯(lián)合園區(qū)各個企業(yè)進行安全生產(chǎn)監(jiān)控預警。但現(xiàn)實是園區(qū)各企業(yè)的安全生產(chǎn)數(shù)據(jù)歸各企業(yè)所有，數(shù)據(jù)共享涉及數(shù)據(jù)隱私安全問題，不符合當前數(shù)據(jù)發(fā)展的趨勢。傳統(tǒng)的聯(lián)邦學習算法雖然能解決數(shù)據(jù)價值共享問題，但是面對安全生產(chǎn)防控涉及的專業(yè)和數(shù)據(jù)呈現(xiàn)多維、多類型的特點，傳統(tǒng)的聯(lián)邦學習算法則無能為力。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)中存在的不足，提供一種基于多源異構(gòu)數(shù)據(jù)聯(lián)邦學習的安全生產(chǎn)預警系統(tǒng)。

本發(fā)明是通過以下技術(shù)方案予以實現(xiàn)：

一種基于多源異構(gòu)數(shù)據(jù)聯(lián)邦學習的安全生產(chǎn)預警系統(tǒng)，包括：作為聯(lián)邦學習模型需求者的中央決策服務器和多個作為數(shù)據(jù)持有者的節(jié)點客戶端，

根據(jù)各個節(jié)點客戶端的所擁有的數(shù)據(jù)類型的數(shù)量，在所述中央決策服務器上建立相應數(shù)量的中央模型，每一個中央模型處理一種數(shù)據(jù)類型的數(shù)據(jù)；

在所述節(jié)點客戶端上建立本地模型，使用本地數(shù)據(jù)進行模型訓練，生成本地模型參數(shù)；

根據(jù)所述節(jié)點客戶端的本地數(shù)據(jù)的數(shù)據(jù)類型選擇對應的中央模型，將所述本地模型參數(shù)上傳至所述對應的中央模型；

每一個所述中央模型均接收多個所述節(jié)點客戶端發(fā)送的本地模型參數(shù)，建立全局參數(shù)模型；

所述節(jié)點客戶端下載所述全局參數(shù)模型，以更新本地模型參數(shù)并上傳更新后的本地模型參數(shù)，直至所述中央模型收斂或達到預定的訓練輪次；

所述中央模型進行多模態(tài)融合，構(gòu)建最終多維度的中央模型，

將訓練完成后的所述最終多維度的中央模型下發(fā)至各個節(jié)點客戶端；

所述節(jié)點客戶端利用所述訓練完成后的所述最終多維度的中央模型分析數(shù)據(jù)以識別出安全隱患，生成識別結(jié)果；

根據(jù)所述識別結(jié)果，實施預警。

進一步地，所述在所述節(jié)點客戶端上建立本地模型，使用本地數(shù)據(jù)進行模型訓練，生成本地模型參數(shù)的步驟，具體包括：

在所述節(jié)點客戶端上建立異常行為識別模型，根據(jù)本地圖像數(shù)據(jù)通過YOLOV5算法訓練所述異常行為識別模型，生成本地模型參數(shù)。

進一步地，所述在所述節(jié)點客戶端上建立本地模型，使用本地數(shù)據(jù)進行模型訓練，生成本地模型參數(shù)的步驟，具體包括：

在所述節(jié)點客戶端上建立車間安全指數(shù)識別模型，根據(jù)本地傳感器數(shù)據(jù)通過SecureBoost安全樹算法訓練所述車間安全指數(shù)識別模型，生成本地模型參數(shù)。

進一步地，所述傳感器數(shù)據(jù)包括：壓力儲罐的壓力數(shù)據(jù)、壓力儲罐的溫度數(shù)據(jù)、壓力儲罐的液位數(shù)據(jù)、可燃氣體濃度數(shù)據(jù)、可燃氣體閾值數(shù)據(jù)和有毒氣體濃度數(shù)據(jù)。

進一步地，所述將所述本地模型參數(shù)上傳至所述對應的中央模型的步驟，具體包括：采用同態(tài)加密方式將所述本地模型參數(shù)上傳至所述對應的中央模型。