(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111549090.6 (22)申请日 2021.12.17 (71)申请人 青岛鹏海软件 有限公司 地址 266000 山东省青岛市崂山区松岭路 169号1号楼 (72)发明人 王爱玲　谢海琴　卞旭辉　宋文君　 徐衍萍　徐小文　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 赵丹 (51)Int.Cl. G06N 20/00(2019.01) G06F 21/60(2013.01) G06Q 10/00(2012.01) G06Q 10/06(2012.01)G06Q 50/04(2012.01) (54)发明名称 一种基于联邦学习的制造业装备故障监测 模型训练系统 (57)摘要 本发明属于计算机应用技术领域， 具体公开 一种基于联邦学习的制造业装备故障监测模型 训练系统， 包括： 装备， 设置有至少一个， 用于收 集自身运行状态数据， 并处理后形成本地故障监 测模型； 聚合服务器， 设置有 一个， 用于聚合各装 备本体上传的本地故障监测模型参数， 生成全局 故障监测模 型参数并发送给各装 备； 所述装备与 聚合服务器双向信号连接。 将联邦学习用于制造 业装备故障监测模型训练方法上， 能够在保障装 备的数据隐私和安全的条件下训练故障监测模 型， 提高故障监测模型的精确度； 联邦学习可在 不获取装备数据的条件下， 训练并优化故障监测 模型， 从而提高模型的精确率， 避免调取用户装 备数据， 进而避免被他人将数据出于商业目的而 利用， 甚至滥用。 权利要求书2页 说明书5页 附图3页 CN 114330740 A 2022.04.12 CN 114330740 A 1.一种基于联邦学习的制造业装备故障监测模型训练系统， 其特 征在于， 包括： 装备， 设置有至少一个， 用于收集自身运行状态数据， 并处理后形成本地故障监测模 型； 聚合服务器， 设置有一个， 用于聚合各装备本体上传的本地故障监测模型参数， 生成全 局故障监测模型参数并发送给 各装备； 所述装备与聚合 服务器双向信号连接 。 2.根据权利要求1所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 装备获取自身的运行状态数据， 并对运行状态数据进行 预分析； 各装备基于预分析后的运行状态数据进行各自本地故障检测模型训练， 将训练后的本 地故障监测模型参数发送给聚合服务器， 聚合服务器通过加权平均聚合各本地故障监测模 型参数， 生成全局故障监测模型参数并发送给各装备， 各装备接 收后更新本地故障监测模 型， 继续利用本地 运行数据重复训练模型， 直至全局故障监测模型收敛， 模型训练结束； 将训练好的故障监测模型应用 在各装备， 对装备的运行状态进行实时监测， 并将故障 诊断结果 实时通知到现场检修人员的手 持终端或自动控制设备， 并将维修信息及时上传至 数据云端， 形成智能服 务闭环。 3.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 将训练后的本地故障监测模型参数通过同态加密后发送给聚合服务器， 聚合服 务器分别解密各本地故障监测模型参数； 所述同态加密算法包括： 每个装备和聚合服务器都具有相同的公私钥， 则有F(E(x),E (y))＝E(xΘy)， 其中， F为同态加密算法， x和y是明文空间M中的元素， Θ为M上的运算， E (·)是M上密钥空间为k的加密函数， 即对 数据x和y加密后运算的结果与x和y运算后再加密 的结果是相同的。 4.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 对运行状态数据进行 预分析的方法包括： 采集制造业装备的历史运行数据， 对所述制造业装备历史运行数据进行预处理， 其中， 预处理包括对所述装备历史数据进行清洗， 剔除异常、 缺失的样本数据； 对预处理后的历史运行 数据构建装备运行时间序列数据； 对所述装备运行时间序列数据进行归一 化处理。 5.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 对预处理后的历史运行数据构建装备运行时间序列数据方法包括： 对经过预处 理后的历史运行 数据按每时段统计， 并按时间顺序构建装备运行时间序列数据。 6.根据权利要求4所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 对所述装备运行时间序列数据进行归一 化处理方法包括： 获取装备运行时间序列数据中的最大值和最小值； 对每个时段的装备运行时间序列数据归一化在0 ‑1之间， 归一化公式为 其中x'为归一化后的值， x为装备运行数据时间序列数据的实际值， xmin为装备运行数据时 间序列数据中的最小值， xmax为装备运行 数据时间序列数据中的最大值。 7.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其权　利　要　求　书 1/2 页 2 CN 114330740 A 2特征在于， 聚合服务器通过加权平均聚合各本地故障监测模型参数 的方法包括： 聚合服务 器在接收到所有装备 的本地故障监测模型参数后， 解密所有本地故障监测模型参数， 基于 加权平均法聚合所有本地 故障监测模型参数， 得到全局故障监测模型参数并建立全局故障 监测模型； 其中， 聚合本地故障监测模型参数的加权平均法公式为 其中， w为 聚合后的全局故障监测模型参数， wi为装备i的本地故障监测模型参数， pi为本地故障监测 模型参数wi的权重值， ni为装备i的本 地训练数据的数量， n为 所有装备的本 地训练数据的总 数量。 8.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 所述全局故障监测模型收敛 的判断方法包括： 对建立的全局故障监测模型进行 检测， 通过测试数据计算预测误差值判断全局故障模型是否收敛， 若 未收敛， 聚合服务器将 全局故障监测模型参数加密后发送给各装备， 各装备解密 全局故障监测模 型参数并更新本 地故障监测模型参数， 继续迭代训练， 直到全局故障监测模型收敛。 9.根据权利要求8所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 将收敛的全局故障监测模型作为 最终的制造业装备故障监测模型。 10.根据权利要求2所述的一种基于联邦学习的制造业装备故障监测模型训练系统， 其 特征在于， 每个装备利用本地装备运行时间序列数据每次进行200轮本地故障监测模型训 练后再发送至聚合 服务器。权　利　要　求　书 2/2 页 3 CN 114330740 A 3