[發明專利]一種基于強化聯邦學習的電力行業起重作業違章檢測方法

在審

• 申請號: 202110963263.2
• 申請日: 2021-08-20
• 公開（公告）號: CN113673696A
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 公凡奎;張俊嶺;尹朋;周怡;褚敬;何成;高明;張波;馬超;田亮;李天舒
• 申請（專利權）人: 山東魯軟數字科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N20/20;G06F21/62;H04L29/06;G06Q50/06
• 代理公司: 廣東有知貓知識產權代理有限公司 44681
• 代理人: 高志軍

本發明公開了一種基于強化聯邦學習的電力行業起重作業違章檢測方法，該方法包括以下步驟：S1、使用聯邦學習C，對A節點和B節點使用本地數據進行訓練并得到模型；S2、將步驟S1中得到的模型輸入強化學習模塊，使用強化學習DQN進行模型融合，調整A節點和B節點模型的權值；S3、強化學習模塊通過強化學習，生成強化融合模型；S4、聯邦學習C中心節點使用強化融合模型采用加權平均來對A節點和B節點的模型進行模型融合；S5、將融合后的模型下發到A節點和B節點；S6、重復步驟S1到S5，直至模型訓練完成。有益效果：使用強化學習保證聯邦學習共同建模效果，選擇優質節點共同建立模型，降低異構性問題的影響。

技術領域

本發明涉及電力行業起重作業違章檢測方法技術領域，具體來說，涉及一種基于強化聯邦學習的電力行業起重作業違章檢測方法。

背景技術

聯邦學習作為一門新興技術，其保護個人及組織的隱私數據能力與新基建中的科技助力公共價值理念不謀而合，同時幫助各產業研究的機構組織進行合規的數據價值釋放，近年來受到廣泛的關注。聯邦學習的明顯好處是在大量設備上分配知識質量，而無需集中用于優化和訓練模型的數據，同時該方法還能夠在保持訓練數據集的隱私的同時提高集中式機器學習模型的質量。

強化學習(ReinforcementLearning，RL)，又稱再勵學習、評價學習或增強學習，是機器學習的范式和方法論之一，用于描述和解決智能體在與環境的交互過程中通過學習策略以達成回報最大化或實現特定目標的問題，非常適合加入聯邦學習中來進行模型融合，最接近本發明的技術有：

(1)、分布式機器學習：分布式機器學習是指利用多個計算節點進行機器學習或者深度學習的算法和系統，能擴展至更大規模的數據和更大的模型，與但是其缺乏隱私性，無法保證數據不互傳。

(1)、模型平均融合：平均融合即模型融合時對每個節點的設置相同的權值，這樣的好處是簡單快捷，但是在各個節點數據量不同以及數據分布不同時，各個節點模型效果有好有壞，平均融合并不能很好的解決這個問題。

(2)、加權融合：加權融合即模型融合時根據各個字節的數據量，設備性能設置各個節點的權值，這樣會比平均融合得到的模型效果更好，但是缺點是無法定量的去評價各個節點，對于融合哪些節點依靠經驗。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種基于強化聯邦學習的電力行業起重作業違章檢測方法，以克服現有相關技術所存在的上述技術問題。

為此，本發明采用的具體技術方案如下：

一種基于強化聯邦學習的電力行業起重作業違章檢測方法，該方法包括以下步驟：

S1、使用聯邦學習C，對A節點和B節點使用本地數據進行訓練并得到模型；

S2、將步驟S1中得到的模型輸入強化學習模塊，使用強化學習DQN進行模型融合，調整A節點和B節點模型的權值；

S3、強化學習模塊通過強化學習，生成強化融合模型；

S4、聯邦學習C中心節點使用強化融合模型采用加權平均來對A節點和B節點的模型進行模型融合；

S5、將融合后的模型下發到A節點和B節點；

S6、重復步驟S1到S5，直至模型訓練完成。

進一步的，使用聯邦學習C，對A節點和B節點使用本地數據進行訓練并得到模型：

S11、聯邦學習C把公鑰分發給A節點和B節點，用以對訓練過程中需要交換的數據進行加密；

S12、A節點和B節點之間以加密形式交互用于計算梯度的中間結果；