[發明專利]基于全局魯棒加權的聯邦域泛化故障診斷方法及系統

有效

• 申請號: 202310218371.6
• 申請日: 2023-03-09
• 公開（公告）號: CN115952442B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 宋艷;從霄;李沂濱;賈磊;王代超;崔明
• 申請（專利權）人: 山東大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06F18/21;G06N20/20
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 王雪

本發明屬于故障診斷領域，提供一種基于全局魯棒加權的聯邦域泛化故障診斷方法及系統，包括每個所述源域客戶端利用本地源域訓練數據集訓練接收到全局模型，并更新參數以形成新的本地模型；源域客戶端將更新后的本地模型、提取的網絡特征以及標簽發送給中心服務器；中心服務器基于提取的網絡特征，以不同分類器對不同特征的分類結果為性能度量，并以分類損失計算權重進行模型聚合；中心服務器將聚合后的全局模型發送到目標域客戶端進行故障診斷。本發明的全局魯棒加權策略在進行本地模型聚合時，不同本地模型的分類網絡對不同本地模型的特征提取網絡提取的特征進行分類，每個本地模型在進行聚合時的權重與分類結果有直接關系。

技術領域

本發明屬于故障診斷技術領域，具體涉及一種基于全局魯棒加權的聯邦域泛化故障診斷方法及系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

隨著工業數據數量日益增加，數據驅動的故障診斷方法得到了迅速發展。來自不同工況、不同設備之間的數據分布可能存在差異，這意味著不能保證僅依靠海量數據的堆積便能夠訓練出一個高魯棒性的優秀模型，這便是遷移學習方法旨在解決的問題。

遷移學習可用于解決訓練數據和測試數據存在特征空間差異的問題。域適應和域泛化是遷移學習中常用的兩類方法。在域適應方法中，解決域偏移的中心思想是將源域數據和目標域數據進行特征空間對齊或對抗訓練，這也就意味著在整個域適應方法的訓練過程中，仍需要獲取部分目標域的數據來進行上述操作。與域適應方法相比，域泛化并不需要獲取目標域的任何信息，域泛化方法訓練的模型可用于目標域數據不可見的情況。域泛化方法旨在綜合利用多個源域之間的豐富信息以訓練一個對未知測試數據具有強泛化性能力的模型，與域適應方法相比，域泛化方法更貼合實際狀況下的故障診斷。近年來，域泛化的智能故障診斷方法已被廣泛研究。現有技術中提出了一種對抗性相互信息引導的機械故障診斷單域泛化網絡，并設計了故障診斷實驗驗證了其方法的可行性。還提出了一種對比域泛化方法，該方法通過最大化域相同信息，同時最小化域不同信息以提高訓練模型的分類準確率。結合先驗診斷知識和深度域泛化網絡的故障診斷方案，從源域學習具有判別性和域不變的故障特征，并將所學知識泛化用于識別未見過的目標樣本。

工業大數據為數據驅動故障診斷提供大量的樣本訓練數據。然而，隨著人們對用戶隱私和數據安全的關注度不斷提高，聚合不同企業的工業數據訓練深度學習故障診斷模型已不可行。目前而言，絕大多數的域泛化方法都直接將多個源域數據集進行聚合后再進行訓練，然而這種方式存在著數據泄露的風險。聯邦學習（Federated?Learning，FL）利用分散在各個客戶端上的本地數據集，以一種隱私保護技術融合數據特征信息，分布式的在中心服務器上完成全局模型的訓練，整個過程中本地數據不會離開客戶端，最大程度上保護了數據和用戶隱私安全。而現有技術中的聯邦學習異步更新方法，可以識別不同時間參與的客戶端的網絡參數，并將其應用于故障診斷領域。還有基于差異的加權聯邦平均，通過不同源域和目標域之間的距離差異提出了一種加權策略，并進行了故障診斷實驗。

然而目前現有的工作都只關注于提高模型在內部客戶端的性能，而忽略了模型對聯邦外不可見域的泛化能力。這是阻礙FL模型在實際應用中廣泛應用的一個關鍵問題。

發明內容

為了解決上述問題，本發明提出了一種基于全局魯棒加權的聯邦域泛化故障診斷方法及系統，本發明整個訓練以及測試過程中只有模型的相關參數以及提取的客戶端數據特征在客戶端和中心服務器中間進行交互，而沒有本地數據直接的直接傳輸，最大程度上保護用戶的數據隱私。同時在整個過程中，只最大程度利用多個包含豐富信息的源域數據集，并不對目標域數據集進行任何額外操作。本發明的提出了一種全局魯棒加權策略，提出了一種以特征提取網絡提取的特征作為信息傳遞介質，不同分類器對不同特征的分類結果為性能度量，并以分類損失計算權重的加權策略。在中心服務器對客戶端模型聚合過程中，給予表現優異的模型更高的權重，限制那些表現差的模型，以提高聚合后模型的泛化能力和分類準確率。同時，引入最大均值差異（MMD）作為損失項減小不同源域數據之間的偏差，進一步提高模型的性能。