基于联邦学习的感知系统评估优化方法、系统、介质、产品及终端与流程

本技术涉及制冷，特别是涉及基于联邦学习的感知系统评估优化方法、系统、介质、产品及终端。

背景技术：

1、在现代制冷机房中，感知系统起着至关重要的作用，负责监控和管理整个制冷过程的运行状况。感知系统由多个传感器、数据传输模块和数据处理单元组成，通过实时采集和传输各种运行参数(如温度、压力、流量等)，确保制冷机房感知系统的正常运行和高效能耗管理。然而，随着制冷设备和技术的不断发展，感知系统的复杂性和数据量也在不断增加，对其健康度的评估和维护变得愈发重要。

2、目前，常见的感知系统健康评估方法主要包括以下几种：

3、(1)传感器性能监测：主要关注传感器的精度和响应速度。通过定期校准和检查传感器的工作状态，确保其准确性和可靠性。

4、(2)数据传输质量监测：通过监测数据传输过程中的丢包率、延迟等指标来评估数据传输的稳定性。此方法主要用于确保数据在传输过程中不丢失或损坏。

5、(3)设备故障率统计：基于历史故障记录和故障率统计数据，评估感知系统的可靠性。此方法主要依赖于过去的故障数据，以预测未来可能的故障。

6、尽管上述方法在一定程度上能够反映感知系统的部分健康状况，但在实际应用中存在以下不足：

7、(1)单一性：现有方法多为单一指标的监测，无法全面反映整个感知系统的健康状况。例如，传感器性能监测仅关注传感器的精度，而忽视了数据传输的稳定性和数据完整性。

8、(2)滞后性：部分评估方法依赖于历史数据，难以及时反映系统的实时健康状况。例如，设备故障率统计主要基于过去的数据，而无法动态监控当前的运行状态。

9、(3)缺乏综合性评估：目前尚无一种方法能够将传感器精度、数据传输稳定性、数据完整性、设备故障率等多种关键指标综合考虑，从而全面评估感知系统的健康度。

10、(4)缺乏预警能力：现有方法大多缺乏对潜在问题的预警能力，难以为预防性维护提供有效指导，从而可能导致故障未能及时发现和处理，影响系统的运行效率和可靠性。

技术实现思路

1、鉴于上述现有技术的缺点，本发明提供一种基于联邦学习的感知系统评估优化方法、系统、介质、产品及终端，用于解决现有技术中制冷机房感知系统的评估主要集中单一指标上，只能反映感知系统的部分健康状况，缺乏对感知系统整体健康状况的全面评估等问题。

2、为实现上述目的及其他相关目的，本技术的第一方面提供一种基于联邦学习的感知系统评估优化方法，包括：实时采集制冷机房感知系统的各个地理位置的运行数据，并对所述运行数据进行预处理；基于各个地理位置的预处理后的运行数据分别进行构建并训练，以获得各个地理位置分别对应的健康度评估子模型；基于各个地理位置分别对应的健康度评估子模型采用联邦学习方法中的安全多方计算技术进行参数聚合，以获得健康度评估全局模型；基于所述健康度评估全局模型进行计算以评估制冷机房感知系统健康度；根据所述制冷机房感知系统健康度的评估结果对所述制冷机房感知系统进行优化调整。

3、于本技术的第一方面的一些实施例中，所述健康度评估子模型由若干个关键性健康指标构建形成；所述关键性健康指标包括传感器准确性、数据传输稳定性、数据完整性、设备故障率以及保养频率。

4、于本技术的第一方面的一些实施例中，对各所述关键性健康指标进行归一化处理后并进行权重系数确定，以进行加权求和计算；各所述健康度评估子模型的计算公式为：sh＝k1×sa+k2×ds+k3×di+k4×er+k5×mf；其中，sa为归一化后的传感器准确性，ds为归一化后的数据传输稳定性，di为归一化后的数据完整性，er为归一化后的设备故障率，mf为归一化后的保养频率，k1、k2、k3、k4、k5分别为对应的权重系数。

5、于本技术的第一方面的一些实施例中，所述方法还包括：所述归一化后的传感器准确性的计算公式为：sa＝dc/da；其中，sa为归一化后的传感器准确性，dc为正确的数据条数，dt为实际监测的数据条数；所述归一化后的数据传输稳定性的计算公式为：ds＝da/dn；其中，ds为归一化后的数据传输稳定性，dt为实际监测的数据条数，dn为标准的数据传输条数；所述归一化后的数据完整性的计算公式为：di＝di/da；其中，di为归一化后的数据完整性，di为完整的数据条数，da为实际监测的数据条数。

6、于本技术的第一方面的一些实施例中，所述方法还包括：所述归一化后的设备故障率的计算公式为：er＝fa/fn；其中，er为归一化后的设备故障率，fa为实际故障率，fn为标准故障率；所述归一化后的保养频率的计算公式为：mf＝ma/mn；其中，mf为归一化后的保养频率，ma为实际保养次数，mn为标准保养次数。

7、于本技术的第一方面的一些实施例中，所述方法还包括：根据所述制冷机房感知系统健康度的评估结果，向制冷机房感知系统的各个地理位置分别发送对应的优化调整建议。

8、为实现上述目的及其他相关目的，本技术的第二方面提供一种基于联邦学习的感知系统评估优化系统，包括：运行数据获取模块，用于实时采集制冷机房感知系统的各个地理位置的运行数据，并对所述运行数据进行预处理；子模型构建模块，用于基于各个地理位置的预处理后的运行数据分别进行构建并训练，以获得各个地理位置分别对应的健康度评估子模型；全局模型获取模块，用于基于各个地理位置分别对应的健康度评估子模型采用联邦学习方法中的安全多方计算技术进行参数聚合，以获得健康度评估全局模型；健康度计算评估模块，用于基于所述健康度评估全局模型进行计算以评估制冷机房感知系统健康度；优化调整模块，用于根据所述制冷机房感知系统健康度的评估结果对所述制冷机房感知系统进行优化调整。

9、为实现上述目的及其他相关目的，本技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于联邦学习的感知系统评估优化方法。

10、为实现上述目的及其他相关目的，本技术的第四方面提供一种计算机程序产品，所述计算机程序产品中包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得所述计算机实现所述基于联邦学习的感知系统评估优化方法。

11、为实现上述目的及其他相关目的，本技术的第五方面提供一种电子终端，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序以实现所述基于联邦学习的感知系统评估优化方法。

12、如上所述，本技术提供的基于联邦学习的感知系统评估优化方法、系统、介质、产品及终端，具有以下有益效果：

13、(1)本发明综合考虑传感器准确性、数据传输稳定性、数据完整性、设备故障率以及保养频率等多个关键性指标，以确保对制冷机房感知系统进行全面评估。

14、(2)本发明通过归一化处理和合理的权重系数确定，使得评估结果更加准确，有助于更准确地反映感知系统的真实运行状况。

15、(3)本发明能够根据评估结果及时发现系统中的潜在问题，并通过预警信息的形式提供反馈，以指导维护和优化策略，从而提高系统的可靠性和运行效率。

16、(4)本发明采用联邦学习方法实现在跨地理位置的感知系统评估优化中的实际应用，有效地提升了感知系统的整体性能和可靠性，同时保护了数据隐私。