一种边云协同架构下基于联邦学习的数控刀具健康状态评估系统及方法

本发明涉及数控刀具健康性能监测，尤其是涉及一种边云协同架构下基于联邦学习的数控刀具健康状态评估系统及方法。

背景技术：

1、随着科学技术的不断发展，现代工业生产对机械设备的良好运行提出了更高要求。数控机床是生产车间的重要设备，其复杂性和运行的不确定性逐渐增加，而数控刀具作为机床加工生产的核心部件，其健康状态将直接影响到加工零件的质量与精度。因此，如何对数控刀具的健康性能进行合理评估，已成为生产领域的重要问题。目前，针对数控刀具健康性能的主流评估手段为基于数据驱动的深度学习方法。

2、由于工业互联网技术的不断发展，现代工业生产越来越多地与工业互联网平台互联，而边云协同技术也得以广泛应用。比如中国专利cn 112858901 a公开了一种基于边云架构的刀具实时状态与寿命预测的监测系统，通过在网关部署寿命预测模块减少了数据在云端与设备间的传输时间，但由于需要将所有数据统一传输至云端进行处理计算，存在隐私泄露问题。中国专利cn 115345199 a公开了一种基于残差网络的刀具故障诊断手段，该方案能够一定程度上提高刀具故障诊断的准确率，但并未考虑现实生产场景应用时存在的数据难以收集、模型训练需要较大算力资源等问题，存在应用困难的局限。中国专利cn115587543 a则公开了一种联邦学习与lstm结合的刀具剩余寿命预测方法与系统，该方案一定程度上提升了模型泛化能力，但并未考虑联邦学习框架带来的准确性能下降等问题。此外，中国专利cn 114818476 a公开了一种基于边云协同下的针对旋转机械的联邦学习寿命预测系统，能够减小不必要的数据传输且保护用户隐私，但该方法需要利用编码器进行特征提取后输入预测模型进行寿命预测，以此增强准确性，因此需要训练编码器与寿命预测两个模型，这无疑加大了数据传输负担，且未考虑用户的公平性、即未针对各用户数据信息进行用户模型的优化改进。

3、综上可知，现有技术已在利用深度学习方法提高数控刀具评估准确率以及边云协同与分布式框架等方面有一定探索与应用，考虑到生产成本，与数控机床相连的计算单元往往是算力有限的边缘设备，且针对单个机床中的单一刀具也难以采集到足够的有效数据信息，存在数据孤岛问题，深度学习方法存在应用困难。尽管利用边云协同技术，统筹整个平台所有互联机床设备的数据信息，是当前解决车间数控机床数据孤岛问题的一种有效手段，但将所有数据统一上传云端不仅大量消耗传输资源，且无法保证数据安全。而联邦学习作为一种面向数据孤岛问题的分布式机器学习框架，能够为边云协同环境中的深度学习的应用提供全新思路，但传统联邦平均算法还存在全局准确性能不佳和各用户模型检测准确性较差的问题，同时，存在与全局模型对于各用户而言无法保证一致准确性能即用户公平性不足问题，因此仍然亟需优化改进。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种边云协同架构下基于联邦学习的数控刀具健康状态评估系统及方法，能够保护数据隐私并解决数据孤岛问题、降低传输资源的消耗，同时针对传统联邦平均算法进行框架优化改进，以提升全局准确性能、保证用户公平性。

2、本发明的目的可以通过以下技术方案来实现：一种边云协同架构下基于联邦学习的数控刀具健康状态评估系统，包括云服务器及其连接的多个边缘设备，所述云服务器为服务端，所述边缘设备为客户端，所述云服务器用于存储数控刀具健康评估模型信息；获取每一轮服务端模型并下发、接收边缘设备上传的客户端模型并进行评估；以及根据客户端模型进行个性化动态聚合形成新一轮服务端模型；

3、所述边缘设备与数控机床相连接，用于处理并存储刀具相关数据信息；获取云服务器下发的每一轮服务端模型；根据各自客户端数据信息进行模型训练并上传；接收最终服务端模型并微调；以及应用微调后模型进行数控刀具的健康状态识别。

4、进一步地，所述云服务器内设置有模型信息库、服务端模型获取模块、客户端模型评估模块、个性化动态聚合模块，所述模型信息库用于存储数控刀具健康状态评估模型；

5、所述服务端模型获取模块用于获取当前轮服务端模型信息；

6、所述客户端模型评估模块用于对各边缘设备上传的客户端模型进行评估；

7、所述个性化动态聚合模块针对客户端模型评估模块的输出结果，通过引入个性化因子以影响全局模型权重，并利用动态聚合机制筛选得到新一轮的服务端模型。

8、进一步地，所述边缘设备包括数据信息库、客户端模型获取模块、客户端模型训练模块和客户端模型微调模块，所述数据信息库用于对数控机床上传感器原始数据进行预处理、保存并进行数据集划分；

9、所述客户端模型获取模块从云服务器获取下发的服务端模型，以作为客户端当前轮初始模型；

10、所述客户端模型训练模块利用数据信息库提供的数据集，针对客户端当前轮初始模型进行训练，得到更新后的客户端模型；

11、所述客户端模型微调模块针对更新后的客户端模型进行个性化数据微调操作，得到客户端最终模型，用于数控刀具的健康状态识别。

12、一种边云协同架构下基于联邦学习的数控刀具健康状态评估方法，包括以下步骤：

13、s1、在云服务器和边缘设备中分别完成信息初始化：在云服务器初始化数控刀具评估模型信息和验证数据集信息，在边缘设备初始化客户端数据信息；

14、s2、基于边云架构下的联邦学习框架，进行数控刀具评估模型训练；

15、s3、在边缘设备中针对数控刀具评估模型进行微调，利用微调后的数控刀具评估模型进行数控刀具的健康状态识别，得到对应数控刀具的健康状态检测结果。

16、进一步地，所述步骤s1在云服务器中完成信息初始化包括以下步骤：

17、收集以深度学习网络模型为基础的数控刀具健康评估模型；

18、根据不同的评估方式，对收集到的不同模型架构进行分类，并按照类别进行存储；

19、对不同类别中的的每一个模型赋予不同的地址信息，使得模型与地址一一对应；

20、对各模型架构中的各节点参数进行初始化处理；

21、根据类别要求，针对性地收集有代表性的数据信息并存储，其中数据信息属性要求与边缘设备训练时所用的数据信息属性完全一致，且数据量达到预设阈值；

22、由于每一类评估方式可能存在多组验证数据集，因此按照每一类别赋予相同地址头后，针对每一组验证集赋予不同的地址信息并一一对应。

23、进一步地，所述步骤s1在边缘设备完成信息初始化包括以下步骤：

24、收集数控机床上原始传感器数据信息，通过特征提取、数据融合手段进行数据预处理后保存；

25、根据不同的评估方式，针对当前刀具运行状态，对预处理后的数据赋予不同的标签信息；

26、按照{a:b:c}的比例划分得到训练集、验证集与测试集，其中，a>b>c。

27、进一步地，所述步骤s2包括以下步骤：

28、s201、云服务器：获取当前轮服务端模型信息并发送给各边缘设备；

29、s202、边缘设备：接收服务端模型，以作为当前轮客户端初始模型；

30、s203、边缘设备：针对当前轮客户端初始模型进行训练更新，并上传至云服务器；

31、s204、云服务器：评估更新后的各客户端模型；

32、s205、云服务器：利用个性化动态聚合机制，更新得到服务端模型；

33、s206、云服务器：判断是否到达预设最大训练轮次，若为是，则结束训练过程，以当前轮服务端模型作为数控刀具评估模型；否则返回步骤s201。

34、进一步地，所述步骤s203具体是由各边缘设备根据各自数据信息，针对当前轮客户端初始模型进行权重参数的迭代更新，再向云服务器上传更新后的各客户端模型。

35、进一步地，所述步骤s204的具体过程为：

36、step1、等待边缘设备上传各自客户端模型；

37、step2、客户端模型上传完毕后，根据验证集数据信息，验证得到各模型的损失信息并进行排名，计算方式为：

38、

39、其中，表示客户端模型损失，上标c表示该客户端模型损失在所有模型中的排位，c越小表示损失越小，下标i表示当前训练轮次，表示第c个客户端具体模型，loss(·)表示根据损失函数计算模型在验证数据集上的损失，表示存在于云服务器的验证数据集；

40、step3、计算各客户端模型与当前轮服务端模型权重参数间的欧式距离，并进行归一化处理，计算方式为

41、

42、

43、其中，表示第c个客户端模型的权重参数，表示当前轮服务端模型的权重参数，表示第c个客户端模型的距离信息。

44、进一步地，所述步骤s205的具体过程为：

45、step1、根据损失排名，选择聚合所需要的的模型数ni与其对应的具体客户端模型，其中ni的取值范围为：

46、{ni|1≤ni≤nc,ni∈n}

47、式中，ni表示当前轮可供选择的聚合模型数；

48、step2、根据所选择的聚合模型数ni，计算所选中的各客户端模型的个性化因子：

49、

50、式中，表示个性化因子，lc表示该客户端模型对应的训练集长度；

51、step3、根据所选中客户端模型的权重参数与个性化因子，聚合得到一个备选服务端模型：

52、

53、式中，表示聚合模型数为ni时所得到的聚合模型；

54、step4、对于ni∈[1,nc]，聚合得到nc个备选服务端模型后，通过验证集验证各聚合模型损失，以其中损失最小的一个模型参数作为下一轮的服务端模型参数，计算方式为：

55、

56、式中，表示下一轮的服务端模型参数。

57、进一步地，所述步骤s3针对数控刀具评估模型进行微调具体是各边缘设备在接收到最终服务端模型后，根据各自数据信息，冻结神经网络绝大多数层后，对其中的最后一层或几层进行设定轮次的重新训练，并以微调后的模型作为各客户端最终模型mc，模型权重参数为wc。

58、与现有技术相比，本发明具有以下优点：

59、本发明建立以云服务器作为服务端，边缘设备作为客户端的中心化横向联邦学习体系框架，能够在保护数据隐私并解决数据孤岛问题的同时，一定程度上降低了传输资源的消耗；此外，综合考虑全局最优性与用户公平性，本发明在传统联邦平均算法的基础上，引入个性化因子、动态聚合与模型微调手段进行优化改进，能够提高全局模型准确性、同时确保用户公平性。由此能够高效、准确地针对各数控刀具进行健康状态识别，有利于提高数控机床加工质量和精度。

60、本发明充分考虑工业环境中的分布式生产体系，结合现代深度学习方法，提供了一种中心化横向联邦学习在边云协同环境中的应用装置，建立“云服务器——服务端”与“边缘设备——客户端”的对应关系，由于联邦学习方法框架的引入，统筹各个数据孤岛的同时，不需要向云服务器传输任何原始数据信息，保护了用户数据隐私，且降低了传输资源的损耗。

61、本发明考虑到传统联邦平均算法易造成全局模型准确性能不佳等问题，因此对不同客户端模型引入个性化因子以影响全局模型权重，并利用动态聚合机制筛选最优模型，即结合个性化动态筛选与聚合机制，综合考虑了全局模型最优性的需求与不同客户端模型对全局模型的影响，能够有效提高全局模型准确率。

62、本发明还考虑到由于各用户的数据信息各有其特点，因此进一步引入模型微调机制，在最终全局模型训练完成后通过用户各自数据信息进行模型微调，最终完成各用户的独特模型定制，各用户通过模型微调，进一步贴合了各自数据特点，在保证了用户公平性的同时提高了各用户模型准确率。