[发明专利]一种群体产品剩余寿命预测的联邦迁移学习方法

说明书

提出一种群体产品剩余寿命预测的联邦迁移学习方法，包括：获取群体产品原始数据集；将所述原始数据集进行预处理，得到训练集和测试集；将所述训练集送入已构建的群体产品剩余寿命预测模型，并进行训练；其中，所述群体产品剩余寿命预测模型的构建过程包括：设计针对所述群体产品剩余寿命预测的总体框架，所述总体框架包括多个单体产品端和一个中央服务器端；构建基于LSTM的剩余寿命预测模型；基于所述LSTM的剩余寿命预测模型构建所述单体产品端的本地寿命预测模型和和所述中央服务器端的全局寿命预测模型；对全局寿命预测模型进行联邦学习。

技术领域

本发明涉及高端设备的故障测试和预测技术领域，具体而言，涉及一种群体产品剩余寿命预测的联邦迁移学习方法。

背景技术

群体产品指的是既有一定程度的相似性同时又存在一定的差异性的一类产品，随着工业化程度的提高，群体产品逐渐由单一化和简单化向智能化和复杂化发展，在很多领域有着越来越重要的应用价值，这对群体产品的可靠性提出了较高的要求。然而传统的定期保养和故障后维修的手段已经无法满足产品高可靠性的要求，PHM技术(故障预测和健康管理)的出现为提高群体产品的可靠性提供了一种可行的解决办法。PHM技术是一种新发展起来的工程技术,根据用途总体上可以分为剩余寿命预测和健康管理两个部分。对剩余寿命的预测给设备维修起到了指引作用，而健康管理则是对维修和保障工作进行分配规划，可有效提高维修效率并节约维修成本。PHM技术的具体实施流程是利用各种传感器采集到的设备状态信息通过有线或无线传输方式将数据传输至处理系统，运用数据挖掘和信息融合等技术，快速、精准地给出产品设备的智能维护计划，从而降低设备维护过程的时间成本和经济耗费。推进PHM技术的进一步发展有助于进一步提升产品设别的可靠性和维修性，这一技术已经成为实现产品设备智能维护的一项关建手段。

在群体产品上采集到的产品运行状态数据相似性有限，直接整合数据不利于预测结果的准确度，在联合建模时出现较大困难，“数据孤岛”的困局和近几年发布的关于数据隐私保护问题的相关法案更是进一步限制了企业间交换数据的自由，“数据孤岛”的困局和隐私保护的问题严重地阻碍了人工智能技术的进一步发展。

上述两大问题导致了可供训练的数据不足，最终导致产品剩余寿命预测结果不够准确，针对这一问题，联邦学习方法应运而生。联邦学习是谷歌公司在训练模型时为解决数据安全问题和数据大批量传输问题而产生的。应用联邦学习后，个人设备端可以不上传本地数据，只需上传本地训练模型权重参数。这样既满足了个人隐私的保护要求，同时也解决了“数据孤岛”的问题。另外利用迁移学习可以将已有的知识应用于新领域，可以节约模型训练时间。

国外相较于国内，在联邦迁移学习中，主要是算法的优化。Sunghwan Park等人提出了一种FedPSO算法来取代FedAvg算法以提升模型准确性。现有的联邦学习聚合算法在执行时需要发送和接收大量权重等信息，在不稳定的网络环境中，发送和接收信息往往需要耗费大量时间，而且有时可能会遗漏某些信息，最终会出现模型预测的准确性大大降低的情况，而FedPSO算法是在对客户端的模型评分后，每轮迭代只需要将评分最高的权重信息传输回服务器，这在不损失模型预测准确度的前提下极大地减少了发送和接收信息耗费的时间。经过实际测试表明，应用FedPSO算法可以显著减少网络通信中使用的数据量，并可有效地提高全局模型地预测准确性。此外，在不稳定的网络环境中进行的实际测试显示利用FedPSO算法相较于传统的FedAvg算法的模型准确性损失也有所降低。AmirhosseinReisizadeh等人的研究关注联邦学习的通信效率不够高的问题，他们从三个方面给出了提升联邦学习通信效率的方法：服务器上仅对客户端更新的模型进行周期性平均；每一轮训练只有部分设备参与；边缘节点在上传到参数服务器之前对其更新进行量化。

总的来看，目前国内外有关联邦学习的研究较为火热，国内主要侧重于实际应用层面，比如商业银行的反欺诈、医学领域的图像分割等实际问题。国外则侧重于原理层面，提出了一些提升联邦学习通信效率和准确性的方法，但发现对联邦迁移学习的研究较少。