[发明专利]基于联邦学习的风电机组故障诊断方法及系统

权利要求书

1.一种基于联邦学习的风电机组故障诊断方法，其特征在于，所述方法包括：

获取各个风电机组故障诊断参与者的工业数据，以及获取初始风电机组故障诊断模型；

基于联邦学习系统，各个风电机组故障诊断参与者基于各自的所述工业数据训练所述初始风电机组故障诊断模型以获取各自对应的局部风电机组故障诊断模型；

构建自适应调整聚合区间的聚合机制，并基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型；所述聚合机制包括：聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小；

基于所述全局风电机组故障诊断模型获取风电机组故障诊断结果。

2.如权利要求1所述的方法，其特征在于，在获取所述局部风电机组故障诊断模型之后，在所述局部风电机组故障诊断模型中引入grouplasso正则项对模型进行稀疏化。

3.如权利要求1所述的方法，其特征在于，所述聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小包括：

τ＝max(int(τ_st-inc^t),1)

其中，τ表示云服务器利用局部风电机组故障诊断模型的参数迭代更新全局风电机组故障诊断模型的时间间隔；t表示局部风电机组故障诊断模型的当前循环次数；τ_st表示初始设置的聚合间隔；inc表示一个大于1的固定值。

4.如权利要求1所述的方法，其特征在于，所述初始风电机组故障诊断模型包括深度学习模型。

5.如权利要求3所述的方法，其特征在于，所述基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型包括：

云服务器每隔一定时间间隔τ自动将所有所述局部风电机组故障诊断模型中的参数进行聚合，迭代更新所述全局风电机组故障诊断模型的参数。

6.一种基于联邦学习的风电机组故障诊断系统，其特征在于，所述系统包括：

数据和模型获取模块，用于获取各个风电机组故障诊断参与者的工业数据，以及获取初始风电机组故障诊断模型；

局部风电机组故障诊断模型训练模块，用于基于联邦学习系统，各个风电机组故障诊断参与者基于各自的所述工业数据训练所述初始风电机组故障诊断模型以获取各自对应的局部风电机组故障诊断模型；

全局风电机组故障诊断模型更新模块，用于构建自适应调整聚合区间的聚合机制，并基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型；所述聚合机制包括：聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小；

风电机组故障诊断结果输出模块，用于基于所述全局风电机组故障诊断模型获取风电机组故障诊断结果。

7.如权利要求6所述的系统，其特征在于，在获取所述局部风电机组故障诊断模型之后，在所述局部风电机组故障诊断模型中引入grouplasso正则项对模型进行稀疏化。

8.如权利要求6所述的系统，其特征在于，所述聚合区间随着局部风电机组故障诊断模型的当前循环次数的增大而变小包括：

τ＝max(int(τ_st-inc^t),1)

其中，τ表示云服务器利用局部风电机组故障诊断模型的参数迭代更新全局风电机组故障诊断模型的时间间隔；t表示局部风电机组故障诊断模型的当前循环次数；τ_st表示初始设置的聚合间隔；inc表示一个大于1的固定值。

9.如权利要求6所述的系统，其特征在于，所述初始风电机组故障诊断模型包括深度学习模型。

10.如权利要求8所述的系统，其特征在于，所述基于所述聚合机制聚合所有所述局部风电机组故障诊断模型以获取全局风电机组故障诊断模型包括：

云服务器每隔一定时间间隔τ自动将所有所述局部风电机组故障诊断模型中的参数进行聚合，迭代更新所述全局风电机组故障诊断模型的参数。