CN116244640A - 一种基于联邦学***衡轴承故障诊断方法及*** - Google Patents
一种基于联邦学***衡轴承故障诊断方法及*** Download PDFInfo
- Publication number
- CN116244640A CN116244640A CN202310194574.6A CN202310194574A CN116244640A CN 116244640 A CN116244640 A CN 116244640A CN 202310194574 A CN202310194574 A CN 202310194574A CN 116244640 A CN116244640 A CN 116244640A
- Authority
- CN
- China
- Prior art keywords
- data
- local
- classifier
- user
- enhancer
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于联邦学***衡轴承故障诊断方法及***,该方法运行于多个本地用户节点与一个服务端聚合节点;每个用户对不平衡轴承故障数据集进行预处理,并预训练本地分类器,送入服务端聚合为全局分类器后下发给用户继续预训练,持续预训练N1轮;每个用户收到预训练完毕的全局分类器作为本地分类器,联合训练本地分类器和数据增强器,并送入聚合节点进行加权和聚合,得到全局分类器和数据增强器,然后广播到参与的本地用户节点继续进行加权和聚合,持续N2轮;训练完成后,每个用户使用得到的本地分类器和数据增强器,对测试数据进行轴承故障检测。本发明解决了联邦学***衡问题,可获得精准的故障诊断结果。
Description
技术领域
本发明属于人工智能和边缘计算相结合的技术领域,特别是一种基于联邦学***衡轴承故障诊断方法及***。
背景技术
智能工厂设备关键部件的异常监测对安全经济运行具有重要意义,及时、准确的故障诊断是避免巨大经济损失和一些不必要人员伤亡的有效手段。大多数据驱动的诊断方法都是假设在有大规模和均衡训练的前提下进行的,然而这种假设在工程中通常是不现实的。
在工业中,不同健康状态下的训练样本通常是不平衡的,比如旋转机械***,考虑到成本和安全,它大多在健康状态下工作,在故障状态下的运行时间非常短。结果表明,采集到的代表正常状态的样本足够多,但相应的故障数据却远远少于健康样本。
复杂工业数据通常存在以下问题:1)在海量数据中,缺乏与某种故障相关的特征信息即类别不平衡;2)各设备上数据非独立和同分布(非IID)即分布不平衡,每个设备上的本地隐私数据可能来自不同的情况,因此与数据总体的分布不同。这些问题通常导致故障诊断准确度的下降,严重限制了深度学习算法的学习能力。此外,相关行业的研究人员只能对属于他们自己机构的数据集进行分析和挖掘。如果单个组织所拥有的数据量不是非常大,并且相似度较高,多样化不足,则在这样的数据集上进行机器学习,研究人员最终可能得到扩展性较差的模型,或者容易产生过拟合的结果。在这种情况下,数据的隐私和机密性的限制明显影响了机器学习的效果,导致故障诊断精度降低。
发明内容
本发明的目的在于提供一种基于联邦学***衡轴承故障诊断方法及***,从而获得精准的故障诊断结果。
实现本发明目的的技术解决方案为:一种基于联邦学***衡轴承故障诊断方法,所述方法运行于多个本地用户节点与一个服务端聚合节点,包括以下步骤:
步骤1、每个用户对不平衡轴承故障数据集进行预处理,包括滑动窗口采样和归一化处理;
步骤2、每个用户用预处理后的数据预训练本地分类器,并送入服务端聚合为全局分类器,然后下发给用户继续预训练本地分类器,持续预训练N1轮然后进入步骤3;
步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器,联合训练本地分类器和本地数据增强器,并送入服务端聚合节点;
步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器,根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合,得到全局分类器和全局数据增强器;
步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点,本地用户节点接收服务端聚合节点发送的全局分类器和全局数据增强器,作为本地分类器和本地数据增强器,返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合,持续N2轮然后进入步骤6;
步骤6、训练完成后,每个用户使用步骤5得到的本地分类器和本地数据增强器,在本地对测试数据进行轴承故障检测,并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。
一种基于联邦学***衡轴承故障诊断***,该***工作时执行所述非平衡轴承故障诊断方法的步骤。
本发明与现有技术相比,其显著优点为:(1)将物联网中的集中式的模型训练部分转移到边缘设备中,联合了各用户间的数据,同时减轻云端或者服务器端的计算负载;(2)数据始终保留在边缘设备本地,可以提高数据的安全性;(3)对于工业场景中边缘设备之间的数据不平衡问题,通过数据增强器和分类器的联合优化,改进聚合方式,从而提高最后模型质量;(4)训练结束后可以同时得到生成高质量故障样本的数据增强器和高精度的故障分类器,是端到端的数据增强方式。
附图说明
图1是本发明基于联邦学***衡轴承故障诊断***架构图。
具体实施方式
本发明基于联邦学***衡轴承故障诊断方法,每个用户端设有故障分类器网络CNN和数据增强网络GAN,GAN生成的虚假故障数据优化分类器CNN,同时CNN的诊断结果会优化GAN的生成。最后数据增强网络可以生成高质量的故障样本,故障分类器也可以获得高精度的故障诊断结果。同时考虑训练用户间数据分布不平衡的问题,采用几何均值的聚合方法减少梯度噪声的影响。本发明解决了联邦学***衡问题,包括类别不平衡和分布不平衡,可获得精准的故障诊断结果。
本发明基于联邦学***衡轴承故障诊断方法,所述方法运行于多个本地用户节点与一个服务端聚合节点,包括以下步骤:
步骤1、每个用户对不平衡轴承故障数据集进行预处理,包括滑动窗口采样和归一化处理;
步骤2、每个用户用预处理后的数据预训练本地分类器,并送入服务端聚合为全局分类器,然后下发给用户继续预训练本地分类器,持续预训练N1轮然后进入步骤3;
步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器,联合训练本地分类器和本地数据增强器,并送入服务端聚合节点;
步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器,根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合,得到全局分类器和全局数据增强器;
步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点,本地用户节点接收服务端聚合节点发送的全局分类器和全局数据增强器,作为本地分类器和本地数据增强器,返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合,持续N2轮然后进入步骤6;
步骤6、训练完成后,每个用户使用步骤5得到的本地分类器和本地数据增强器,在本地对测试数据进行轴承故障检测,并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。
作为一种具体示例,每个本地用户节点就是一个边缘服务器,设置有工业设备车间内各个部件和环境的传感器,以及控制设备的采集器;
在工业设备车间内的边缘服务器对设备的传感器网络数据进行汇聚,实现边缘侧对底层数据的处理;
本地用户节点作为联邦训练任务的发起人和参与者,负责训练本地模型和存储数据,并通过无线网络传输到服务器云端即服务端;
服务端聚合节点设置在服务器云端,作为可信的第三方,通过无线网络进行模型的聚合和下发。
作为一种具体示例,步骤1中,滑动窗口采样的公式如下:
其中,N为轴承数据信号长度,Step为采样信号长度,W为数据重叠率。
作为一种具体示例,步骤1中归一化处理,具体为:
把数据映射到0~1范围之内处理,其中x为当前样本数据值,xmax为样本数据的最大值,xmin为样本数据的最小值,归一化处理公式为:
作为一种具体示例,步骤2中,分类器为CNN网络,CNN网络包括顺次设置的输入层、卷积层3*3*32、池化层2*2、卷积层3*3*64、池化层2*2、卷积层3*3*128、池化层2*2、全连接层2048*1024、输出层,其中输出层激活函数为sigmoid。
作为一种具体示例,步骤3中,本地数据增强器使用生成对抗网络GAN模型,模型包括嵌入网络、恢复网络、生成器、鉴别器,其中:
所述嵌入网络用于学习样本的潜在特征;
恢复网络用于将潜在特征还原为原始样本;
生成器用于生成分布接近原始样本的潜在特征,并用恢复网络还原为分布接近原始样本的生成样本送入鉴别器和故障分类器中;
鉴别器用于判断样本来自原始样本还是生成样本;
嵌入网络、恢复网络、生成器、鉴别器均基于三层循环神经网络GRU实现。
作为一种具体示例,步骤3中,联合训练本地分类器和本地数据增强器,具体过程为:
①训练数据增强器中的嵌入网络和恢复网络,提取数据潜在空间特征;
②训练数据增强器的鉴别器,将生成器生成的样本送入鉴别器;
③使用数据增强器的生成器生成样本,用于扩展不平衡故障样本集,扩展方法为将生成的样本打上匹配的类别标签并与非平衡的真实样本进行混合;
④训练分类器CNN,将混合后的样本集送入预训练后的分类器;
⑤训练数据增强器的生成器。
作为一种具体示例,生成器的损失函数设计为:
其中Lg表示来自鉴别器的损失、Lfeature-error表示来自嵌入网络和恢复网络的损失、Lfault-error表示来自分类器的损失;K为每一轮生成样本的数量,dfake为每一轮鉴别器的判别正确概率,Xfeaturereal为真实样本的潜在特征,Xfeaturefake为生成样本的潜在特征。
作为一种具体示例,步骤4中,根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合,用户数据分布不平衡,梯度聚合时有噪声,服务端在计算模型梯度时采用几何均值GM:
其中ω为模型梯度,Rd为欧氏空间子集,i表示用户编号,m为用户总数,αi为第i个用户模型的权重,ωi为第i个用户模型梯度。
本发明还提供一种基于联邦学***衡轴承故障诊断***,该***工作时执行所述非平衡轴承故障诊断方法的步骤。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
实施例
非平衡联邦轴承故障诊断***的目标轴承为采样频率12K的电机轴承,包括正常状态、外圈故障、内圈故障和球故障,其中有一类故障的样本数量明显少于其他类,需要对非平衡的数据进行故障诊断。
图1展示了该***的整体框架,包括两类节点:服务端聚合节点和用户本地节点。每个本地节点就是一个边缘服务器,内有对各个部件和环境的传感器以及控制设备的控制器,在车间内的边缘服务器对传感器网络的数据进行汇聚,实现边缘侧对底层的数据的处理。本文假设本地节点之间存在一个“数据孤岛”问题,即本地节点之间不能相互传输数据。聚合节点作为可信的第三方,负责模型的加密、解密和聚合。作为联邦训练任务的发起人和参与者,本地节点负责训练本地模型。传感器传输的数据是原始数据,以振动信号的形式存在,在模型训练之前需要先对数据做预处理。
首先,用户对不平衡轴承故障数据集进行归一化,包括样本量大的故障类别(正常、内圈故障、球故障)和样本量小的故障类别(外圈故障)。对数据进行滑动窗口增强处理,窗口长度为400,步长为20,得到时序切片数据,送入分类器进行预训练,分类器为CNN网络,CNN网络的构成为:输入层、卷积层3*3*32、池化层2*2、卷积层3*3*64、池化层2*2、卷积层3*3*128、池化层2*2、全连接层2048*1024、输出层,其中输出层激活函数为sigmoid。之后在本地进行联合训练,训练过程如表1所示,I设定为10。
当本地训练完成后,根据表2所示改进聚合策略对本地模型参数进行聚合,使用聚合后模型开始新一轮的联邦学习直至迭代次数E=100。
表1本地模型训练示意
表2服务端模型聚合示意
综上所述,本发明设计的联邦故障诊断算法可以实现将传统数据建模技术从云端迁移至边缘计算设备,并增加训练模型的质量和提高训练速度。数据增强器和分类器的联合优化和几何中值的聚合策略,提升了联邦模型在数据不平衡场景下,对于数据量少的类的识别效果。实现了边缘设备之间数据的安全、有效共享,从而提升了整个故障诊断***的运行效率。
Claims (10)
1.一种基于联邦学***衡轴承故障诊断方法,其特征在于,所述方法运行于多个本地用户节点与一个服务端聚合节点,包括以下步骤:
步骤1、每个用户对不平衡轴承故障数据集进行预处理,包括滑动窗口采样和归一化处理;
步骤2、每个用户用预处理后的数据预训练本地分类器,并送入服务端聚合为全局分类器,然后下发给用户继续预训练本地分类器,持续预训练N1轮然后进入步骤3;
步骤3、每个用户收到步骤2预训练完毕的全局分类器作为本地的分类器,联合训练本地分类器和本地数据增强器,并送入服务端聚合节点;
步骤4、服务端聚合节点接收所有本地用户节点发送的本地分类器和本地数据增强器,根据加权策略对所有本地分类器和本地数据增强器进行加权和聚合,得到全局分类器和全局数据增强器;
步骤5、将全局分类器和全局数据增强器广播到参与的本地用户节点,本地用户节点接收服务端聚合节点发送的全局分类器和全局数据增强器,作为本地分类器和本地数据增强器,返回步骤4继续对所有本地分类器和本地数据增强器进行加权和聚合,持续N2轮然后进入步骤6;
步骤6、训练完成后,每个用户使用步骤5得到的本地分类器和本地数据增强器,在本地对测试数据进行轴承故障检测,并获得每个用户的本地分类器准确度和测试数据的混淆矩阵图。
2.根据权利要求1所述的一种基于联邦学***衡轴承故障诊断方法,其特征在于,每个本地用户节点就是一个边缘服务器,设置有工业设备车间内各个部件和环境的传感器,以及控制设备的采集器;
在工业设备车间内的边缘服务器对设备的传感器网络数据进行汇聚,实现边缘侧对底层数据的处理;
本地用户节点作为联邦训练任务的发起人和参与者,负责训练本地模型和存储数据,并通过无线网络传输到服务器云端即服务端;
服务端聚合节点设置在服务器云端,作为可信的第三方,通过无线网络进行模型的聚合和下发。
5.根据权利要求1所述的一种基于联邦学***衡轴承故障诊断方法,其特征在于,步骤2中,分类器为CNN网络,CNN网络包括顺次设置的输入层、卷积层3*3*32、池化层2*2、卷积层3*3*64、池化层2*2、卷积层3*3*128、池化层2*2、全连接层2048*1024、输出层,其中输出层激活函数为sigmoid。
6.根据权利要求1所述的一种基于联邦学***衡轴承故障诊断方法,其特征在于,步骤3中,本地数据增强器使用生成对抗网络GAN模型,模型包括嵌入网络、恢复网络、生成器、鉴别器,其中:
所述嵌入网络用于学习样本的潜在特征;
恢复网络用于将潜在特征还原为原始样本;
生成器用于生成分布接近原始样本的潜在特征,并用恢复网络还原为分布接近原始样本的生成样本送入鉴别器和故障分类器中;
鉴别器用于判断样本来自原始样本还是生成样本;
嵌入网络、恢复网络、生成器、鉴别器均基于三层循环神经网络GRU实现。
7.根据权利要求6所述的一种基于联邦学***衡轴承故障诊断方法,其特征在于,步骤3中,联合训练本地分类器和本地数据增强器,具体过程为:
①训练数据增强器中的嵌入网络和恢复网络,提取数据潜在空间特征;
②训练数据增强器的鉴别器,将生成器生成的样本送入鉴别器;
③使用数据增强器的生成器生成样本,用于扩展不平衡故障样本集,扩展方法为将生成的样本打上匹配的类别标签并与非平衡的真实样本进行混合;
④训练分类器CNN,将混合后的样本集送入预训练后的分类器;
⑤训练数据增强器的生成器。
10.一种基于联邦学***衡轴承故障诊断***,其特征在于,该***工作时执行权利要求1至9中任一项所述非平衡轴承故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194574.6A CN116244640A (zh) | 2023-03-03 | 2023-03-03 | 一种基于联邦学***衡轴承故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194574.6A CN116244640A (zh) | 2023-03-03 | 2023-03-03 | 一种基于联邦学***衡轴承故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244640A true CN116244640A (zh) | 2023-06-09 |
Family
ID=86632857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310194574.6A Pending CN116244640A (zh) | 2023-03-03 | 2023-03-03 | 一种基于联邦学***衡轴承故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244640A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272211A (zh) * | 2023-11-20 | 2023-12-22 | 北京邮电大学 | 基于长短期记忆模型的轻量化航天器故障检测分类方法 |
-
2023
- 2023-03-03 CN CN202310194574.6A patent/CN116244640A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272211A (zh) * | 2023-11-20 | 2023-12-22 | 北京邮电大学 | 基于长短期记忆模型的轻量化航天器故障检测分类方法 |
CN117272211B (zh) * | 2023-11-20 | 2024-02-13 | 北京邮电大学 | 基于长短期记忆模型的轻量化航天器故障检测分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Liu et al. | Multitask learning based on lightweight 1DCNN for fault diagnosis of wheelset bearings | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及*** | |
Liu et al. | An intrusion detection model with hierarchical attention mechanism | |
He et al. | Intrusion detection based on stacked autoencoder for connected healthcare systems | |
CN108614548A (zh) | 一种基于多模态融合深度学习的智能故障诊断方法 | |
Geng et al. | Bearing fault diagnosis based on improved federated learning algorithm | |
Ding et al. | HYBRID‐CNN: An Efficient Scheme for Abnormal Flow Detection in the SDN‐Based Smart Grid | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN116244640A (zh) | 一种基于联邦学***衡轴承故障诊断方法及*** | |
Chen et al. | Industrial edge intelligence: Federated-meta learning framework for few-shot fault diagnosis | |
Wu et al. | Fault diagnosis of rotating machinery using Gaussian process and EEMD‐treelet | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及*** | |
Su et al. | A novel deep transfer learning method with inter-domain decision discrepancy minimization for intelligent fault diagnosis | |
Heinecke et al. | Crowdsourced PAC learning under classification noise | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
Hou et al. | Bearing fault diagnosis under small data set condition: A Bayesian network method with transfer learning for parameter estimation | |
Yang et al. | A balanced deep transfer network for bearing fault diagnosis | |
CN116992336B (zh) | 一种基于联邦局部迁移学习的轴承故障诊断方法 | |
Li et al. | Class imbalanced fault diagnosis via combining K-means clustering algorithm with generative adversarial networks | |
CN117008570A (zh) | 一种基于开放集联邦对抗域适应的跨工况故障诊断方法及*** | |
Yu et al. | A Novel 1D‐CNN‐Based Diagnosis Method for a Rolling Bearing with Dual‐Sensor Vibration Data Fusion | |
CN114120010B (zh) | 一种多视角多层次工业机器人迁移故障诊断方法 |
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 |