CN114580087B - 一种船载设备的联邦剩余使用寿命预测方法、装置及*** - Google Patents

一种船载设备的联邦剩余使用寿命预测方法、装置及*** Download PDF

Info

Publication number
CN114580087B
CN114580087B CN202210483195.4A CN202210483195A CN114580087B CN 114580087 B CN114580087 B CN 114580087B CN 202210483195 A CN202210483195 A CN 202210483195A CN 114580087 B CN114580087 B CN 114580087B
Authority
CN
China
Prior art keywords
data
service life
training
gradient
model
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.)
Active
Application number
CN202210483195.4A
Other languages
English (en)
Other versions
CN114580087A (zh
Inventor
李沂滨
高辉
宋艳
王代超
崔明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210483195.4A priority Critical patent/CN114580087B/zh
Publication of CN114580087A publication Critical patent/CN114580087A/zh
Application granted granted Critical
Publication of CN114580087B publication Critical patent/CN114580087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种船载设备的联邦剩余使用寿命预测方法、装置及***，属于机器学习技术领域，解决了数据样本量少、多用户的样本分散导致的无法实现对船载设备的剩余使用寿命的精确预测的问题，包括：构建基于机器学习的剩余使用寿命预测模型；联邦训练时，技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；对解密得到的梯度进行聚类并筛选，用筛选后的梯度对模型进行参数更新；利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。实现对在运行的船载设备提供实时剩余使用寿命预测、智能预警潜在的设备故障。

Description

一种船载设备的联邦剩余使用寿命预测方法、装置及***
技术领域
本发明属于机器学习技术领域，尤其涉及一种船载设备的联邦剩余使用寿命预测方法、装置及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着人工智能技术的发展，越来越多的行业积极推动与智能技术的融合，对传统产业进行智能化升级和改造。剩余使用寿命预测技术是指通过构建机器学习模型，将设备运行数据作为输入对模型进行训练，最终使模型能够预测设备的剩余使用寿命。然而，在船载设备的剩余使用寿命预测技术领域，机器学习技术受到数据量不足的限制。
厂商生产的船载设备被安装在民船、军舰和潜艇上并交给不同的用户使用。然而船舶作为技术密集的超大型机电产品，每年新造船舶的数量是十分有限的；并且由于保密要求和隐私保护，设备厂商无法将不同用户的数据资源收集在一处，进而无法开发有效的基于数据驱动的剩余使用寿命预测模型，不能为用户提供先进的智能预测技术服务。
因此，船载设备运行数据存在单用户保有的样本量少、多用户的样本分散的缺点，形成数据孤岛，无法实现对船载设备的剩余使用寿命的精确预测。
另外，不同用户在厂商的技术支持下对同一类设备进行同态的实时状态监测，得到的状态监测数据应是独立同分布的，但受设备装置安装偏差、电子器件精度差异、环境差异等潜在因素的影响，不同用户持有的数据不会严格服从同一分布，数据分布存在不同程度的偏移，因此联邦训练过程中，如果技术中心服务器将接收的所有梯度进行同样处理，会降低模型性能。
发明内容
为克服上述现有技术的不足，本发明提供了一种船载设备的联邦剩余使用寿命预测方法，能够实现对船载设备的剩余使用寿命的准确预测。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种船载设备的联邦剩余使用寿命预测方法，包括：
利用船载设备的历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型并进行预训练；
利用联邦训练模式对构建的剩余使用寿命预测模型进行联邦训练，训练时，利用多用户的分散数据集进行联合训练；
利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。
作为进一步的技术方案，利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，具体步骤为：
将模型训练参数发送至所有联邦训练参与方；
各参与方对自有船载设备数据进行数据处理，并对模型进行多轮训练并计算损失，模型利用反向传播算法自动计算梯度，再利用保有的公钥对梯度进行算法加密；
所有用户终端向技术中心服务器发送加密梯度；
技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；
对解密得到的梯度进行聚类并筛选解决多参与方的分散数据存在的非独立同分布问题，用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成所有簇的模型更新；
判断用户用自有数据测试更新后的模型是否达到预期的预测性能，如果未达到，则重复进行联邦训练，如果达到，停止训练。
作为进一步的技术方案，对解密得到的梯度进行筛选，具体为：
针对所有用户的梯度集合，计算每个簇包含的梯度样本平均梯度；计算其他簇所包含的梯度样本在参与簇Di参数更新时的权值Wi,j；
筛选机制是Wi,h>0.5的簇参与簇Di的参数更新，否则令Wi,h=0即不参与次轮参数更新。
作为进一步的技术方案，构建的基于机器学习的剩余使用寿命预测模型，具体为：
第一通道，在该通道中，利用LSTM学习输入数据的时间依赖信息，获得时间特征信息；
第二通道，在该通道中，对多传感器数据进行特征提取，获得空间重要信息；
利用限制条件计算获得的时间特征信息及空间重要信息的条件向量，利用条件向量监督特征学习网络的参数更新；
将上一步两个通道获得的时间特征信息、空间重要信息分别与各自的限制条件拼接并分别作为两个二维卷积网络的输入，进行更深层次的特征提取；
通过特征融合网络对上述特征进行细粒度融合，从而更好的描述退化过程；
多层全连接层，针对融合特征进行处理得到剩余使用寿命预测值。
作为进一步的技术方案，构建基于机器学习的剩余使用寿命预测模型之前还包括：状态监测数据的获取，利用各类传感器对船载设备运行期间进行监测获得船载设备状态数据，监测方式和传感器布置由设备厂商制定并安装。
作为进一步的技术方案，对获取的状态监测数据进行数据预处理，包括数据归一化、信号去噪以及数据分割。
作为进一步的技术方案，数据分割具体为对模型训练数据集中的数据进行分割，按照分割步幅将数据分成设定长度的数据段。
作为进一步的技术方案，模型训练数据集中的数据具体为：
t时刻采集的数据由F个传感器的输出组成，记为
Figure 829635DEST_PATH_IMAGE001
；
Figure 879499DEST_PATH_IMAGE002
表示t时刻第f个传感器的输出，从而得到第m个设备的传感器数据，记为
Figure 166124DEST_PATH_IMAGE003
。
状态监测从设备启动开始，表示为 t=0，设备达到故障阈值结束，记为t=T，即设备的总寿命为T，Tm表示第m台设备的总寿命。
第二方面，公开了一种船载设备的联邦剩余使用寿命预测装置，包括：技术中心服务器，所述技术中心服务器包括：
模型构建模块，被配置为：利用船载设备历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型；
训练模块，被配置为：利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，训练时，利用N个用户各自保有的分散数据集进行联合训练；
预测模块，被配置为：利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。
第三方面，公开了一种船载设备的联邦剩余使用寿命预测***，包括：
技术中心服务器、若干用户终端和传输链路；
所述若干用户终端分别通过传输链路与技术中心服务器通信；
所述技术中心服务器包括：
模型构建模块，被配置为：利用船载设备历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型；上述数据为技术中心本身存储的数据；
训练模块，被配置为：利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，训练时，利用N个用户各自保有的分散数据集进行联合训练；
预测模块，被配置为：利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。
通过应用该***，可以准确预测船载设备的剩余使用寿命，维修人员根据预测结果提前预知设备的潜在故障信息，进行科学的设备调度安排和健康管理，并提前制定设备的维护计划，从而避免***故障造成的安全隐患，提高船舶、舰艇航行的可靠性。
以上一个或多个技术方案存在以下有益效果：
本发明将训练好的预测模型提供给用户使用，对在运行的船载设备提供实时剩余使用寿命预测、智能预警潜在的设备故障，帮助维修人员提前制定设备的维护计划，同时用户将预测***的使用情况反馈给厂商，帮助设计人员对***优化升级。
本发明构建的机器学习模型在联邦学习机制下，依靠分散的数据孤岛对模型进行联合训练，无需收集分散的数据资源，实现了少样本的模型训练，获得精确的模型，实现对船载设备的剩余使用寿命的准确预测。
本发明提供一种对不同源梯度进行筛选的方法，减少数据分布偏移对模型训练产生负面影响，在保护用户隐私、保障数据安全的前提下，提高模型的预测性能，对船载设备实施基于数据驱动的智能剩余使用寿命预测技术服务。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例联邦剩余使用寿命预测***结构示意图；
图2为船载通风机的振动监测传感器布置图；
图3为本发明实施例剩余使用寿命预测模型结构图；
图4为本发明实施例特征融合网络；
图5为本发明实施例联邦剩余使用寿命预测***训练流程图；
图6为本发明实施例联邦剩余使用寿命预测***装置。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种船载设备的联邦剩余使用寿命预测方法，如图1所示：
一方面由设备厂商提供技术支持，内容包括厂商技术中心利用自有的历史监测数据和实时数据设计基于机器学习的剩余使用寿命预测模型、设计模型联邦训练模式、制定数据规范、数据筛选和处理方法等。
另一方面，不同设备用户先判断自有的数据是否符合厂商制定的数据规范，符合规范的用户，在本地数据不移动的情况下，按照厂商指导对数据进行筛选和预处理，再依据厂商制定的联邦训练模式共同训练预测模型。
最后，技术中心服务器将训练好的预测模型提供给用户使用，对在运行的船载设备提供实时剩余使用寿命预测、智能预警潜在的设备故障，帮助维修人员提前制定设备的维护计划，同时用户将预测***的使用情况反馈给厂商，帮助设计人员对***优化升级。
为了实现上述技术方案，具体的步骤包括：
步骤一：获得有效的数据资源；
状态监测是指设备运行期间，利用各类传感器对设备进行监测获得设备状态数据，监测方式和传感器布置通常由设备厂商研究制定并安装，随设备一同出厂交付用户。常用的监测方式有振动监测、油品分析、红外成像、超声监测等，以及温度、湿度、风速等环境指标的监测。
传感器输出的原始信号的各项数学统计指标也可以作为模型训练的数据资源，如信号的单调性、凹凸性，振动信号的频谱特性、峰值、峰-峰值、振动烈度等指标。本实施例中，使用加速度传感器对某船载通风机实施振动监测，说明监测方法和数据来源，但不局限于此例，传感器布置点如图2所示。
步骤二：对原始信号进行数据预处理，包括(1)数据归一化、(2)信号去噪、(3)数据分割。
(1)数据归一化
根据以下公式对数据进行Min-max归一化处理：
Figure 352255DEST_PATH_IMAGE004
（1）
式中xmin和xmax分别代表该组原始信号序列中的最小值与最大值，使得每一组传感器输出序列线性变换到[0,1]区间内的小数。
(2)信号去噪
使用传感器对船载设备监测，在信号的采集、传输和处理过程中，受环境干扰、传感器分辨率、工频干扰等因素影响下，原始传感信号存在大量噪声，根据以下公式对数据进行去噪处理：
Figure 764169DEST_PATH_IMAGE005
（2）
式中xi表示序列中第i个元素，P（xi）表示xi去噪后的值。本实施例中采用滑动窗口l=5的数据去噪。
(3)数据分割
模型训练数据集Xtraining是通过对M台设备在其整个生命周期内的状态监测收集的。状态监测从设备启动开始，表示为 t=0，设备达到故障阈值结束，记为t=T，即设备的总寿命为T，Tm表示第m台设备的总寿命。t时刻采集的数据由F个传感器的输出组成，记为：
Figure 301330DEST_PATH_IMAGE006
；
xf,t表示t时刻第f个传感器的输出然后得到第m个设备的开始运行到发生故障的全寿命周期采集的数据，记为：
Figure 453963DEST_PATH_IMAGE007
。
另外受设备初始磨损程度、制造误差以及运行过程中的随机性等因素的影响，不同监测单元的总寿命T各不相同，但剩余使用寿命预测模型的输入必须是维数固定的向量。
因此，需要对数据进行分割，将长度为Tm的Xm分割为长度为L的数据段，得到固定形状为F*L的数据段：
Figure 697862DEST_PATH_IMAGE008
上述数据段作为模型的输入，其中i=0,1,...且i+L小于等于Tm。
步骤三：条件限制的多通道特征融合剩余使用寿命预测模型，如图3所示：
第一阶段；
输入数据进入通道一，利用LSTM学习输入数据的时间依赖信息，特征信息进一步输入到注意力模块动态地为更关键的特征赋予更大的权重，获得时间特征信息。
输入数据进入通道二，在设备衰退的不同阶段，不同位置的传感器信号与设备衰退程度关联度会动态变化，采用一维卷积神经网络通道对多传感器数据进行特征提取，获得空间重要信息。
第二阶段：
船载设备从交付运行直至出现故障，其退化过程是不可逆的，因此得出条件限制1：
设备故障程度是单调增加的，退化曲线应该是单调变化的。设备从健康运行到在初始故障模式下运行，不仅故障程度单调增加，故障程度变化的速度也在增加，得出限制条件2：
退化曲线具有凹凸性。
限制条件1通过以下公式计算：
Figure 12169DEST_PATH_IMAGE009
（3）
限制条件2通过以下公式计算：
Figure 57133DEST_PATH_IMAGE010
（4）
式中xi表示序列中第i个元素，F(xi)表示特征曲线，对于所有
Figure 747878DEST_PATH_IMAGE011
，若f(xi)均为正数，限制了特征曲线F为单调增加函数，若F(xi)均为负数，限制了特征曲线F为单调减小函数；而g(xi)的正负性，则限制了特征曲线F的凹凸性。
利用公式（3）（4）计算第一阶段获得的特征信息的限制条件向量f、g并进行条件筛选。
Figure 174180DEST_PATH_IMAGE012
（5）
式中Fi表示第i个特征向量，V表示特征向量数量，T表示特征向量的长度，当NFi表示Fi的条件限制向量fi含的负数的数量，限制特征曲线单调递减特性，NFi表示fi包含的正数的数量，限制特征曲线单调递增特性。
Figure 331492DEST_PATH_IMAGE013
(6)
同理，根据式（6）选出最优第二限制条件
Figure 111753DEST_PATH_IMAGE014
。
用上述两个条件对提取的特征进行监督，限制特征变量的单调性和凹凸性，从而使模型更加高效的学习数据中的有用特征，并且有助于模型快速收敛。
第三阶段，将第二阶段计算的限制条件和第一阶段提取的特征信息拼接作为二维卷积神经网络的输入，进行更深层次的特征提取，通道一得到深层特征C1，通道二得到C2，通过一种新的特征融合网络对上述特征进行细粒度特征融合，与普通的特征拼接、特征相加等方式相比，该方法能对不同通道的特征进行更深层次的融合，从而更好的描述退化过程。
融合网络如图4所示，先将C1，C2通过形变网络转换为具有相同尺寸k*m的特征图
Figure 606189DEST_PATH_IMAGE015
再将
Figure 621418DEST_PATH_IMAGE016
进行转置得到尺寸为m*k的
Figure 480790DEST_PATH_IMAGE017
，最后
Figure 214259DEST_PATH_IMAGE018
与
Figure 509456DEST_PATH_IMAGE019
通过式（7）计算出融合特征向量H，式中
Figure 644771DEST_PATH_IMAGE020
分别表示
Figure 737361DEST_PATH_IMAGE017
的
Figure 895809DEST_PATH_IMAGE021
位置的元素。
Figure 734977DEST_PATH_IMAGE022
（7）
k和m分别表示
Figure 724799DEST_PATH_IMAGE023
的尺寸，k是宽度，m是长度。也就是说
Figure 925973DEST_PATH_IMAGE024
的大小都为k*m。
第四阶段，将融合特征H输入到多层全连接层，得到剩余使用寿命预测值，按公式（8）计算预测值与实际值的均方误差作为损失函数，式中rj为输入序列的真实剩余使用寿命标签，
Figure 634035DEST_PATH_IMAGE025
为对应序列的剩余使用寿命预测值，N表示输入样本的数量。
Figure 8384DEST_PATH_IMAGE026
（8）
步骤四：利用联邦学习机制对构建的剩余使用寿命预测进行联合训练。本实施例提出的联邦剩余使用寿命预测***训练流程如图5所示：
首先完成联邦训练准备工作：厂商技术中心将制定的数据处理规范、搭建的剩余使用寿命模型发送给参与联邦训练的用户，假设共有N个用户参与模型的联邦训练。即完成上述的步骤二、步骤三工作。技术中心服务器利用本地数据进行预训练获得模型初始参数。
图5中，1为向用户发送更新的模型参数，2为数据处理，多轮训练本地模型并计算梯度，3为发送加密梯度，4为安全聚合并进行梯度筛选，参数更新。
联邦训练过程如下：
1.技术中心模型训练参数发送给所有联邦训练参与方；
2.各参与方对自有数据进行数据处理，并对模型进行多轮训练应用公式（8）计算损失，模型利用反向传播算法自动计算梯度g，并利用保有的公钥{n/e}对梯度g进行算法加密，其中公钥和私钥由RSA算法计算得到，分别由参与方和技术中心持有，则密文由公式（9）计算得到；
Figure 787466DEST_PATH_IMAGE027
（9）
Figure 487437DEST_PATH_IMAGE028
（10）
3.所有用户终端向技术中心发送加密梯度G；
4.技术中心服务器接收所有参与方的N组加密梯度G，并利用保有的私钥{n/d}进行解密得到梯度g。另外为应对分散数据的非独立同分布问题，进一步对解密的梯度进行筛选。
本发明利用K-medoids算法将所有个用户的梯度进行聚类，聚类簇数为K，K值的设置与分散数据的分布差异有关，差异越小，k值越小；一轮联邦训练的梯度筛选过程如下所示：
梯度筛选过程
for 每一轮次梯度筛选 t=1,2，… do
K-medoids聚类算法将D划分为K个簇
Figure 682795DEST_PATH_IMAGE029
，
for 每个簇Di，i=1，2，...Kdo
求每个簇内梯度的均值
Figure 798519DEST_PATH_IMAGE030
：
Figure 762933DEST_PATH_IMAGE031
Figure 371156DEST_PATH_IMAGE032
簇Di质心与其它簇质心Oh的欧式距离表示为di,h，h=1,2,...K；
计算距离总和
Figure 788231DEST_PATH_IMAGE033
；
end for
for 每个簇Di，i=1，2，...Kdo
for 每个簇Dj，j=1，2，...Kdo
求簇Dj参与簇Dj参数更新时的权值Wi,j：
Figure 769962DEST_PATH_IMAGE034
筛选簇Dj是否能够参与簇Di参数更新：
IfWi,j>0.5, then Dj参与簇Di参数更新;
else Dj不参与簇Di参数更新，Wi,j=0；
end for
求参与簇Di参数更新的加权梯度
Figure 588883DEST_PATH_IMAGE035
：
Figure 299831DEST_PATH_IMAGE036
end for
所有用户的梯度集合
Figure 469781DEST_PATH_IMAGE037
，gn表示第n个用户的梯度；通过聚类将D划分为K个簇
Figure 989624DEST_PATH_IMAGE038
，每个簇对应的质心分别为
Figure 663051DEST_PATH_IMAGE039
，每个簇包含的样本数量为
Figure 878656DEST_PATH_IMAGE040
，所有簇的样本总数量应等于N，即
Figure 270323DEST_PATH_IMAGE041
；
由公式（11）计算每个簇包含的梯度样本平均梯度，得到
Figure 593857DEST_PATH_IMAGE042
；
Figure 121791DEST_PATH_IMAGE043
（11）
则对于第i个簇Di，其包含的样本数量为mi，质心为Oi，簇内梯度样本均值为
Figure 338375DEST_PATH_IMAGE044
；设第h个簇Dh质心Oh与Oi的欧式距离为di,h，则有式（12）计算簇Di与其他所有簇的质心总距离Si；
Figure 155021DEST_PATH_IMAGE045
（12）
加权机制及筛选机制是通过对欧式距离的数学统计进行的，簇Dj包含的梯度样本在簇Di的参数更新时的权值Wi,j由公式（13）计算得到，式13可以看出若簇Dj与簇Di的欧式距离di,h越大，代表两簇的数据分布差异越大，则簇Dj包含的梯度样本在簇Di的参数更新时的权值越小。
当Wi,j>0.5的簇参与簇Di的参数更新；当Wi,j<0.5时，表示簇Dj与簇Di的欧式距离过大，也就是数据样本分布差异较大，若簇Dj的样本继续参与簇Di的参数更新，由于较大的数据分布差异，会对参数的更新产生不利影响，因此令Wi,j=0，即令簇Dj的样本不参与次轮参数更新，由此完成参数加权和筛选。
Figure 16667DEST_PATH_IMAGE046
（13）
由式（13）计算所有簇在簇Di的参数更新时的权值。
Figure 664686DEST_PATH_IMAGE047
，因为di,i=0可得出Wi,i=1；
则簇Di的加权梯度由式（14）计算得到：
Figure 219164DEST_PATH_IMAGE048
（14）
用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成K个簇的模型更新；用户用自有数据测试更新后的模型是否达到预期的预测性能，如果未达到，则回到步骤一，重复进行联邦训练，如果达到，停止训练。
实施例二
本实施例的目的是提供一种船载设备的联邦剩余使用寿命预测装置，包括：技术中心服务器，所述技术中心服务器包括：
模型构建模块，被配置为：技术中心利用自身存储的船载设备历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型；通过模型构建模块使得设计人员搭建起深度学习预测模型。
训练模块，被配置为：利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，训练时，利用N个用户各自保有的分散数据集进行联合训练；
训练模块是利用处理好的历史数据对模型进行联邦训练，训练完成后，模型具有可靠的剩余使用寿命预测性能。
预测模块，被配置为：利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。
上述预测模块是用户将实时监测获得的设备状态数据输入到剩余使用寿命预测模型，进行实时的剩余使用寿命预测。
实施例三
参见附图6所示，本实施例的目的是提供本公开提供一种联邦剩余使用寿命预测***装置，包括技术中心服务器、若干用户终端和传输链路。
所述若干用户终端分别通过传输链路与技术中心服务器通信；
技术中心服务器的计算模块用于处理计算机指令，完成数据处理、机器学习模型建模、模型训练等任务；
存储模块用于存储数据、存储计算机指令、存储模型代码等；
显示模块用于人机界面交互；
解密模块用于处理加密数据；
筛选模块用于筛选接收的数据；数据获取模块用于聚合监测数据；
传输链路用于完成技术中心与用户的信息传输。
用户终端计算模块用于处理计算机指令，完成数据处理、模型训练等任务；存储模块用于存储数据、存储计算机指令、存储模型代码等；显示模块用于人机交互、数据可视化等任务；加密模块用于对数据加密；数据获取模块用于聚合监测数据。
上述用户终端及技术中心服务器的具体数据处理过程详细参见实施例子一中的数据处理方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种船载设备的联邦剩余使用寿命预测方法，其特征是，包括：
利用船载设备的历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型并进行预训练；
利用联邦训练模式对构建的剩余使用寿命预测模型进行联邦训练，训练时，利用多用户的分散数据集进行联合训练；
利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障；
其中，利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，具体步骤为：
将模型训练参数发送至所有联邦训练参与方；
各参与方对自有船载设备数据进行数据处理，并对模型进行多轮训练并计算损失，模型利用反向传播算法自动计算梯度，再利用保有的公钥对梯度进行算法加密；
所有用户终端向技术中心服务器发送加密梯度；
技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；
对解密得到的梯度进行聚类并筛选解决多参与方的分散数据存在的非独立同分布问题，用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成所有簇的模型更新；
判断用户用自有数据测试更新后的模型是否达到预期的预测性能，如果未达到，则重复进行联邦训练，如果达到，停止训练；
对解密得到的梯度进行筛选，具体为：
针对所有用户的梯度集合，计算每个簇包含的梯度样本平均梯度；计算其他簇所包含的梯度样本在参与簇D i 参数更新时的权值W i,j ，公式如下：
Figure 862820DEST_PATH_IMAGE001
；
上式中，S i 为簇D i 与其他所有簇的质心总距离，d i,h 为第h个簇D h 质心O h 与O i 的欧式距离，k为聚类簇数，j的取值范围为[1,k]；
筛选机制是W i,j >0.5的簇参与簇D i 的参数更新，否则令W i,j =0即不参与次轮参数更新。
2.如权利要求1所述的一种船载设备的联邦剩余使用寿命预测方法，其特征是，构建的基于机器学习的剩余使用寿命预测模型，具体为：
第一通道，在该通道中，利用LSTM学习输入数据的时间依赖信息，获得时间特征信息；
第二通道，在该通道中，对多传感器数据进行特征提取，获得空间重要信息；
利用限制条件计算获得的时间特征信息及空间重要信息的条件向量，利用条件向量监督特征学习网络的参数更新；
将上一步两个通道获得的时间特征信息、空间重要信息分别与各自的限制条件拼接并分别作为两个二维卷积网络的输入，进行更深层次的特征提取；
通过特征融合网络对上述特征进行细粒度融合，从而更好的描述退化过程；
多层全连接层，针对融合特征进行处理得到剩余使用寿命预测值。
3.如权利要求1所述的一种船载设备的联邦剩余使用寿命预测方法，其特征是，模型训练数据集中的数据具体为：
t时刻采集的数据由F个传感器的输出组成，记为
Figure 327430DEST_PATH_IMAGE002
；
Figure 638326DEST_PATH_IMAGE003
表示t时刻第f个传感器的输出，从而得到第m个设备的传感器数据，记为
Figure 830273DEST_PATH_IMAGE004
；
状态监测从设备启动开始，表示为t=0，设备达到故障阈值结束，记为t=T，即设备的总寿命为T，T m 表示第m台设备的总寿命。
4.如权利要求1所述的一种船载设备的联邦剩余使用寿命预测方法，其特征是，构建基于机器学习的剩余使用寿命预测模型之前还包括：状态监测数据的获取，利用各类传感器对船载设备运行期间进行监测获得船载设备状态数据，监测方式和传感器布置由设备厂商制定并安装。
5.如权利要求1所述的一种船载设备的联邦剩余使用寿命预测方法，其特征是，对获取的状态监测数据进行数据预处理，包括数据归一化、信号去噪以及数据分割。
6.如权利要求5所述的一种船载设备的联邦剩余使用寿命预测方法，其特征是，数据分割具体为对模型训练数据集中的数据进行分割，按照分割步幅将数据分成设定长度的数据段。
7.一种船载设备的联邦剩余使用寿命预测装置，其特征是，包括：技术中心服务器，所述技术中心服务器包括：
模型构建模块，被配置为：技术中心利用自有的船载设备历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型；
训练模块，被配置为：利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，训练时，利用N个用户各自保有的分散数据集进行联合训练；
预测模块，被配置为：利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障；
其中，利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，具体步骤为：
将模型训练参数发送至所有联邦训练参与方；
各参与方对自有船载设备数据进行数据处理，并对模型进行多轮训练并计算损失，模型利用反向传播算法自动计算梯度，再利用保有的公钥对梯度进行算法加密；
所有用户终端向技术中心服务器发送加密梯度；
技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；
对解密得到的梯度进行聚类并筛选解决多参与方的分散数据存在的非独立同分布问题，用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成所有簇的模型更新；
判断用户用自有数据测试更新后的模型是否达到预期的预测性能，如果未达到，则重复进行联邦训练，如果达到，停止训练；
对解密得到的梯度进行筛选，具体为：
针对所有用户的梯度集合，计算每个簇包含的梯度样本平均梯度；计算其他簇所包含的梯度样本在参与簇D i 参数更新时的权值W i,j ，公式如下：
Figure 192115DEST_PATH_IMAGE005
；
上式中，S i 为簇D i 与其他所有簇的质心总距离，d i,h 为第h个簇D h 质心O h 与O i 的欧式距离，k为聚类簇数，j的取值范围为[1,k]；
筛选机制是W i,j >0.5的簇参与簇D i 的参数更新，否则令W i,j =0即不参与次轮参数更新。
8.一种船载设备的联邦剩余使用寿命预测***，其特征是，包括：
技术中心服务器、若干用户终端和传输链路；
所述若干用户终端分别通过传输链路与技术中心服务器通信；
所述技术中心服务器包括：
模型构建模块，被配置为：利用船载设备历史监测数据和实时数据构建基于机器学习的剩余使用寿命预测模型；
训练模块，被配置为：利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，训练时，利用N个用户各自保有的分散数据集进行联合训练；
预测模块，被配置为：利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障；
其中，利用联邦学习机制对构建的基于机器学习的剩余使用寿命预测模型进行联合训练，具体步骤为：
将模型训练参数发送至所有联邦训练参与方；
各参与方对自有船载设备数据进行数据处理，并对模型进行多轮训练并计算损失，模型利用反向传播算法自动计算梯度，再利用保有的公钥对梯度进行算法加密；
所有用户终端向技术中心服务器发送加密梯度；
技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；
对解密得到的梯度进行聚类并筛选解决多参与方的分散数据存在的非独立同分布问题，用筛选后的梯度对本地模型进行更新，发送给本簇包含的用户，重复完成所有簇的模型更新；
判断用户用自有数据测试更新后的模型是否达到预期的预测性能，如果未达到，则重复进行联邦训练，如果达到，停止训练；
对解密得到的梯度进行筛选，具体为：
针对所有用户的梯度集合，计算每个簇包含的梯度样本平均梯度；计算其他簇所包含的梯度样本在参与簇D i 参数更新时的权值W i,j ，公式如下：
Figure 545736DEST_PATH_IMAGE006
；
上式中，S i 为簇D i 与其他所有簇的质心总距离，d i,h 为第h个簇D h 质心O h 与O i 的欧式距离，k为聚类簇数，j的取值范围为[1,k]；
筛选机制是W i,j >0.5的簇参与簇D i 的参数更新，否则令W i,j =0即不参与次轮参数更新。
CN202210483195.4A 2022-05-06 2022-05-06 一种船载设备的联邦剩余使用寿命预测方法、装置及*** Active CN114580087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210483195.4A CN114580087B (zh) 2022-05-06 2022-05-06 一种船载设备的联邦剩余使用寿命预测方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483195.4A CN114580087B (zh) 2022-05-06 2022-05-06 一种船载设备的联邦剩余使用寿命预测方法、装置及***

Publications (2)

Publication Number Publication Date
CN114580087A CN114580087A (zh) 2022-06-03
CN114580087B true CN114580087B (zh) 2022-08-02

Family

ID=81784641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483195.4A Active CN114580087B (zh) 2022-05-06 2022-05-06 一种船载设备的联邦剩余使用寿命预测方法、装置及***

Country Status (1)

Country Link
CN (1) CN114580087B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876475B (zh) * 2023-02-06 2023-06-09 山东大学 一种故障诊断方法、***、设备及存储介质
CN118114056A (zh) * 2024-04-26 2024-05-31 北京东方通科技股份有限公司 一种不间断***状态评估方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190103088A (ko) * 2019-08-15 2019-09-04 엘지전자 주식회사 연합학습을　통한 단말의 명함을 인식하는 방법 및 이를 위한 장치
CN112288097B (zh) * 2020-10-29 2024-04-02 平安科技（深圳）有限公司 联邦学习数据处理方法、装置、计算机设备及存储介质
CN112712182B (zh) * 2021-03-29 2021-06-01 腾讯科技（深圳）有限公司 一种基于联邦学习的模型训练方法、装置及存储介质
CN113487083A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113536670B (zh) * 2021-07-09 2024-01-12 北京航空航天大学 一种群体产品剩余寿命预测的联邦迁移学习方法
CN114139441A (zh) * 2021-11-04 2022-03-04 中国华能集团清洁能源技术研究院有限公司 一种基于ht的风机轴承剩余使用寿命确定方法及***
CN113962988B (zh) * 2021-12-08 2024-04-09 东南大学 基于联邦学习的电力巡检图像异常检测方法及***
CN114330740A (zh) * 2021-12-17 2022-04-12 青岛鹏海软件有限公司 一种基于联邦学习的制造业装备故障监测模型训练***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LSTM的风机滚动轴承剩余寿命预测研究;薛嫣等;《工业控制计算机》;20200625(第06期);全文 *
基于长短期记忆网络的齿轮剩余寿命预测研究;石慧等;《太原科技大学学报》;20201013(第05期);全文 *

Also Published As

Publication number Publication date
CN114580087A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN114580087B (zh) 一种船载设备的联邦剩余使用寿命预测方法、装置及***
CN107786369B (zh) 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
Liao et al. Enhanced restricted Boltzmann machine with prognosability regularization for prognostics and health assessment
US10592725B2 (en) Neural network systems
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
DE112021004261T5 (de) Dualmodale beziehungsnetzwerke zur audiovisuellen ereignislokalisierung
CN111539515A (zh) 一种基于故障预测的复杂装备维修决策方法
Henriksson et al. Towards structured evaluation of deep neural network supervisors
CN102208028A (zh) 一种适用于动态复杂***的故障预测和诊断方法
US11137322B2 (en) Diagnosing method of engine condition and diagnostic modeling method thereof
WO2020148992A1 (ja) モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム
CN112529234A (zh) 基于深度学习的地表水质预测方法
CN111695594A (zh) 图像类别识别方法、装置、计算机设备及介质
CN116340796B (zh) 时序数据分析方法、装置、设备及存储介质
CN111680407B (zh) 一种基于高斯混合模型的卫星健康评估方法
CN114913923A (zh) 针对单细胞染色质开放性测序数据的细胞类型识别方法
CN115114128A (zh) 一种卫星健康状态评估***及评估方法
CN114500335B (zh) 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法
CN115859777A (zh) 一种多故障模式下产品***寿命预测的方法
CN113344470B (zh) 一种基于区块链的供电***智能管理方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及***
CN115618743B (zh) 一种瞄准镜***的状态评估方法及状态评估***
CN115375038A (zh) 一种飞机发动机失效模式识别和寿命预测方法
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories
CN114154415A (zh) 设备寿命的预测方法及装置

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