技术新讯 > 测量装置的制造及其应用技术 > 基于动态聚类联邦学习的滚动轴承故障诊断方法  >  正文

基于动态聚类联邦学习的滚动轴承故障诊断方法

  • 国知局
  • 2024-07-30 10:44:14

本发明涉及轴承故障诊断方法,尤其涉及一种基于动态聚类联邦学习的滚动轴承故障诊断方法。

背景技术:

1、滚动轴承作为机械设备中核心部件之一,其健康状振动态决定了整个机械设备能否正常运转。机械设备中的滚动轴承发生故障,将会带来巨大的经济损失,甚至人身伤亡。因此,对滚动轴承进行故障诊断研究对于保证旋转机械设备的高效、健康运行具有十分重要的意义。

2、近年来,随着越来越多的学者投入到故障诊断的研究中,深度学习方法已经得到广泛应用。深度学习方法依靠强大的特征提取能力将故障诊断的准确率提升到一个新的高度。基于数据驱动的方法诊断精度高的前提是必须提供海量监督数据用来训练模型。但是,由于经济成本问题与相关数据隐私法律规定等原因,形成了“数据孤岛”问题。面对该问题,由于缺乏大量可供训练的数据集,基于深度学习的滚动轴承智能诊断方法的局限性逐渐显现。

3、联邦学习(fl)是分布式训练框架,它使分布式用户能够在中央服务器的编排下协作训练共享模型,而不会侵犯用户的数据隐私。将联邦学习框架应用到滚动轴承故障诊断领域能够有效解决轴承的数据孤岛与数据隐私问题,但是在每个客户端数据都是non-iid时,联邦学习方法的诊断性能将大幅度下降。在故障诊断领域中,解决non-iid问题大多采用迁移学习来完成,但是迁移学习要求源域和目标域数据信息,这与联邦学习的初心是相悖的。

技术实现思路

1、本发明所要解决的技术问题是如何提供一种诊断精度高的基于动态聚类联邦学习的滚动轴承故障诊断方法。

2、为解决上述技术问题,本发明所采取的技术方案是:一种基于动态聚类联邦学习的滚动轴承故障诊断方法,包括如下步骤:

3、s1:联邦学习系统中的服务器初始化故障诊断模型及参数,并发放至联邦学习系统中的各个客户端;

4、s2:在每轮训练中,服务器随机选择若干个客户端,每个客户端动态选择最优簇的模型参数并使用自己的私有数据进行故障诊断模型的训练,并将训练好的故障诊断模型的参数上传至服务器;

5、s3:服务器接收每个故障诊断模型的模型参数并利用推理相似性方法来形成具有相似数据分布的客户端集群;

6、s4:服务器对每个簇中的客户端模型参数进行加权聚合,并在下一轮训练中将所有簇的聚合参数发送给每个客户端;

7、s5:当达到最大轮次训练结束时,完成故障诊断模型的训练,否则返回步骤s2;

8、s6:使用训练完的故障诊断模型对原始振动数据进行处理,获得滚动轴承的状态,完成对滚动轴承的诊断。

9、采用上述技术方案所产生的有益效果在于:所述方法利用余弦相似性进行k-means聚类来推理每个客户端所属集群,并且在每轮迭代中所选中的客户端通过动态选择最优的模型参数进行训练,由此能够有效的减少数据异构对于联邦学习的影响,加快各节点的本地模型收敛速率,在cwru的数据集上验证结果表明该方法能够在极度数据分布不均衡条件下取得准确的诊断结果。

技术特征:

1.一种基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于包括如下步骤:

2.如权利要求1所述的基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于:

3.如权利要求1所述的基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于,所述步骤s1中,故障诊断模型包括特征提取模块和输出模块,其中特征提取模块包括五个卷积单元,第二卷积单元至第五卷积单元包括一维卷积层、bn层、relu激活层和最大池化层,最后局部特征提取的结果被展平并用作分类模块的输入,将原始振动数据输入到特征提取模块中,经过卷积、池化计算,得到输入数据的特征信息,然后将提取到的特征信息进行输出,完成神经网络的工作。

4.如权利要求1所述的基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于,所述步骤s2中,每个客户端动态选择最优簇的模型参数并使用自己的私有数据进行模型的训练:

5.如权利要求1所述的基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于,所述步骤s3具体包括如下步骤:

6.如权利要求5所述的基于动态聚类联邦学习的滚动轴承故障诊断方法,其特征在于,获取具有相似数据分布的客户端集群的方法包括如下步骤:

技术总结本发明公开了一种基于动态聚类联邦学习的滚动轴承故障诊断方法,属于轴承故障诊断方法技术领域。所述方法包括如下步骤:联邦学习系统中的服务器初始化全局深度神经网络模型模型及参数并发放至联邦学习系统中的各个客户端;服务器随机选择若干个客户端,每个客户端动态选择最优簇的模型参数并使用自己的私有数据进行模型的训练;服务器接收每个模型的模型参数并利用推理相似性方法来形成具有相似数据分布的客户端集群;服务器对每个簇中的客户端模型参数进行加权聚合,当达到最大轮次训练结束时,完成故障诊断模型的训练;所述方法能够有效的减少数据异构对联邦学习的影响,加快各节点本地模型收敛速率,且诊断结果更准确。技术研发人员:马新娜,李豪,张策,何畔,谷丽华,胡沛伶,郭芳,李中华,石玉晶受保护的技术使用者:石家庄铁道大学技术研发日:技术公布日:2024/7/23

本文地址:https://www.jishuxx.com/zhuanli/20240730/154062.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。