(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110053434.8 (22)申请日 2021.01.15 (65)同一申请的已公布的文献号 申请公布号 CN 112763215 A (43)申请公布日 2021.05.07 (73)专利权人 上海海事大学 地址 201306 上海市浦东 新区临港新城 海 港大道15 50号 (72)发明人 周福娜　李思洁　胡雄　王天真　 张志强　 (74)专利代理 机构 上海互顺专利代理事务所 (普通合伙) 31332 代理人 裴姣姣 (51)Int.Cl. G01M 13/045(2019.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (56)对比文件 CN 103576594 A,2014.02.12 CN 110555446 A,2019.12.10 CN 112101489 A,2020.12.18 CN 111537945 A,2020.08.14 CN 111678696 A,2020.09.18 WO 20201 15273 A1,2020.0 6.11 IN 1447MU2015 A,2015.04.24 郑楷洪 等.一个面向电力计量系统的联邦 学习框架. 《中国电机 工程学报》 .2020,第40卷 王天真 等.基 于动态限的非周期非稳定 工 况故障检测模型. 《上海交通大 学学报》 .2012,第 46卷(第4期), WeiZhang 等.F ederated learn ing for machinery fault dia gnosis with dynamic validation and self-supervisi on. 《Knowledge-Based System s》 .2020,第212卷 审查员 宗国歌 (54)发明名称 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 (57)摘要 本发明公开了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。 大型机械设备工 作在多工况环境中， 会破坏数据独立同分布的特 性导致采集的数据质量较低， 且 单个神经网络在 故障诊断时存在数据利用不充分、 特征提取不全 面等问题， 进而影响故障诊断精度。 针对上述问 题， 提出一种模块化联邦学习的方法， 首先根据 单工况序列数据建立深度神经网络模块进行特 征抽取， 同时利用新的网络对多工况序列数据进 行特征抽取， 之后多模块联邦进行决策层的特征 联邦学习， 并利用胶囊模块网络进一步进行模块 划分， 通过自适应联邦以实现模块间权重自适应 分配给顶层故障诊断模块， 从而更加精确的进行多工况故障诊断。 该方法通过模块化联邦使 得故 障诊断更加准确。 权利要求书3页 说明书12页 附图4页 CN 112763215 B 2022.04.29 CN 112763215 B 1.一种基于模块化联邦深度学习的多工况在线故障诊断方法， 其特征在于， 包括以下 步骤： S1、 建立数据集， 所述数据集包括训练集和测试集， 所述训练集和测试集均包含一维序 列数据； 所述步骤S1包 含以下步骤： S1.1、 选取已知的单工况的轴承一维序列数据， 构成联邦学习中多参与者的训练集， 并 设置不同故障类型 标签； S1.2、 选取与步骤S1.1不同的轴承一维序列数据按P1： P2：…： PN构造多工况一维序列数 据； S1.3、 对步骤S1.1和S1.2中所述的一维序列数据作为训练集， 同时按10： 1分为训练集 和测试集； S2、 建立不同工况模块间的联邦深度学习的故障诊断模型： 所述步骤S2包 含以下步骤： S2.1、 根据训练集中已知的i种单工况的轴承数据搭建i个深度神经网络 如公 式(1)所示： 其中， Feedforward是生成神经网络的函数， 是DNN的网络参数， 是权值矩阵， 为偏置向量； i是已知DNN单工况网络的个数； 表示隐藏层的神 经元个数， Xi表示输入第i个DN N的一维序列数据； 基于一维序列数据训练i个DN N网络； S2.2、 利用训练好的i个深度神经网络和网络参 数提取一维序列数据特征 并将提 取到的局部特 征 进行联邦得到Fmul， 其中， 是DNN网络的非线性输出函数， 表示训练好的第i个DNN网络模 型参数， Fmul是训练好的i个DN N网络所提取的局部特 征 的联邦拼接结果； S3、 根据训练集中的多工况一维序列数据， 通过另一个深度神经网络DNN提取其全局特 征 所述步骤S3包 含以下步骤： S3.1、 根据训练集中的一维序列数据搭建深度神经网络 如公式(4)所示：权　利　要　求　书 1/3 页 2 CN 112763215 B 2其中， 是DNN的网络参数， 是权值矩阵， 为偏置向量； λ 和β 是网络训练中批量归一化的参数； 表示隐藏层的神经元个数， X表示输入的多工 况一维序列数据， 基于一维多工况序列数据训练DN N网络； S3.2、 利用训练好的网络结构参数提取一维序列数据特 征Fglobal： 其中， 是DNN网络的非线性输出函数， 表示训练好的DNN的网络模型参数， λ 和β 是训练好的网络 批量归一 化参数； S4、 根据步骤S2中i个DNN提取的单工况的局部特征 和步骤S3中新的DNN提取的多 工况全局特征 先将局部特征 联邦为Fmul， 并对Fmul进行多层特征压缩后， 实现有 工况标签特征Fmul和无工况标签特征Fglobal之间的联邦学习， 通过上述联邦机制融合两种不 同尺度的特 征得到Ffusion； 所述步骤S4包 含以下步骤： S4.1、 将步骤S2中i个DNN提取的单工况的局部特征先进行联邦得到的Fmul， 对得到的 Fmul进行特征压缩： Flocal＝Netl( θl； Fmul)                      (6) 其中， θl＝{Wl,bl}是特征压缩网络的参数， Wl是权值矩阵， bl为偏置向量， Fmul为不同工 况间的联邦特 征； S4.2、 根据不同尺度提取出的特征Flocal和Fglobal进行拼接后再通过(8)式进行批量归一 化， 将其统一到同一 量纲上： Ffusion＝[Flocal,Fglobal]                      (7) 其中， E(·)和Var(·)为输入fs的平均值和标准差； γ和β 是可以训练的， ε是一个非常 小的数， 以保证分母不 为0； Ffusion为不同尺度特 征拼接后的结果， fs为mini‑batch的Ffusion； S5、 建立联邦学习网络Netfusion， 训练联邦网络参数： Fv＝Netfusion( θf； Flocal； Fglobal)                 (9) 其中θf＝{Wnm,cnm}， 其中m为故障种类数， Wnm为权重矩阵， 两者乘积用来计算预测向量 Flocal表示根据单工况所提取的局部特征， Fglobal表示根据多工况数据提取的全局特 征； 所述步骤S5包 含以下步骤： S5.1、 对归一化后的特 征 进行胶囊 模块划分bn： 权　利　要　求　书 2/3 页 3 CN 112763215 B 3