申请/专利权人：四川大学;宜宾四川大学产业技术研究院

申请日：2024-03-26

公开（公告）日：2024-06-14

公开（公告）号：CN118190420A

主分类号：G01M13/045

分类号：G01M13/045;G01M13/04

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了一种基于个性化联邦迁移学习的滚动轴承故障诊断方法，包括以下步骤：S1、联邦学习初始化训练；S2、对联邦学习的本地训练和全局聚合进行个性化调整，得到本轮局部最优参数；S3、完成模型的预训练；S4、将预训练的全局模型迁移到目标任务；S5、将模型迁移的损失函数作为个性化联邦迁移学习模型的总损失函数，将该总损失函数训练至收敛，完成训练；S6、用训练好的个性化联邦迁移学习模型完成对目标任务待测样本的分类。本发明利用个性化联邦学习将各源任务样本的有效信息聚合在一起，得到泛化性能较好的通用模型，再将其迁移到目标任务进行域适应，从而实现对滚动轴承故障进行准确、稳定地诊断。

主权项：1.基于个性化联邦迁移学习的滚动轴承故障诊断方法，其特征在于，包括以下步骤：S1、将滚动轴承不同故障类型的源任务样本作为联邦学习的客户端输入，中心服务器向各个客户端发送初始全局模型参数，各个客户端接受全局模型参数后进行本地训练，得到本轮局部最优参数，然后将其发送回中心服务器并执行全局聚合，得到新一轮全局模型参数；重复此步骤r次，完成联邦学习初始化训练；S2、对联邦学习的本地训练和全局聚合进行个性化调整：引入贝叶斯层次模型来优化参数估计，通过计算局部最优参数的经验方差和全局共享模型参数的经验方差来量化客户端内部和客户端间的不确定性；客户端在接受中心服务器的全局模型参数后，根据局部最优参数的经验方差和全局共享模型参数的经验方差计算本地训练的初始值和训练步数，并用交叉熵函数构建局部损失函数，从而得到本轮局部最优参数；S3、客户端将本轮局部最优参数发送回中心服务器，中心服务器用引入局部最优参数的经验方差和全局共享模型参数的经验方差的聚合规则进行全局聚合，得到新一轮全局模型参数，用所有客户端局部损失函数的加权平均作为全局损失函数；重复执行S2和S3，直到全局模型参数训练至收敛，完成模型的预训练；S4、将预训练的全局模型迁移到目标任务，对模型进行微调：在模型中插入模型补丁以适应目标任务，然后将目标任务待测样本输入微调后的模型，更新模型补丁的参数和新分类层参数，同时保持其他预训练模型参数不变；最后计算模型对各故障类型的预测概率，取预测概率最高的作为目标任务待测样本的伪类标签，进而得到模型迁移到目标任务的损失函数；S5、由于除分类层外的预训练模型参数都保持不变，故将模型迁移的损失函数作为个性化联邦迁移学习模型的总损失函数，将该总损失函数训练至收敛，完成训练；S6、用训练好的个性化联邦迁移学习模型完成对目标任务待测样本的分类。

全文数据：

权利要求：

百度查询： 四川大学;宜宾四川大学产业技术研究院 基于个性化联邦迁移学习的滚动轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD