[发明专利]基于联邦学习的风电机组故障诊断方法及系统

说明书

本发明提供一种基于联邦学习的风电机组故障诊断方法及系统，涉及风电机组故障诊断技术领域。本发明首先获取各个风电机组故障诊断参与者的工业数据和初始风电机组故障诊断模型；然后基于联邦学习系统，利用上述工业数据训练初始风电机组故障诊断模型得到参与者各自对应的局部风电机组故障诊断模型；接着基于预先构建的自适应调整聚合区间的聚合机制，聚合所有上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；最后基于全局风电机组故障诊断模型获取风电机组故障诊断结果。本发明打破了数据孤岛现象，可获得精准的风电机组故障诊断结果，且故障诊断效率高，降低了通信成本。

技术领域

本发明涉及风电机组故障诊断技术领域，具体涉及一种基于联邦学习的风电机组故障诊断方法及系统。

背景技术

风力发电机组通常被部署在风能丰富的海上或偏远地区，恶劣的自然环境和简陋的维护维修条件致使风力发电机组的轴承、齿轮等主要部件容易遭受损坏，如果不能及时发现和进行有效维护，不仅将带来更高昂的维修费用，还会影响了风电机组运行的稳定性，耽误整个风能的生产计划。所以亟需提出一种有效的风电机组故障诊断方法。

目前，风电机组故障诊断方法分为基于模型的方法和数据驱动的方法。基于模型的方法一般是构建合适的数学或物理模型来模拟系统的动态行为，然后利用状态观测器、卡尔曼滤波理论和奇偶方程等方法完成单元系统或组件的状态评估、预测和故障检测。数据驱动的方法是基于获取的大量数据，然后利用机器学习、深度学习等故障诊断方法得到故障诊断结果。

然而，数据隐私保护日渐受到人们重视，各个企业之间的数据独立存储，形成数据孤岛，很难获得大量数据，因此深度学习模型很难达到预期的结果，为此相关技术人员将联邦学习与深度学习模型相结合，可以使多个企业参与者在不进行共享数据的前提下协同训练深度学习模型，但是这种做法使得模型聚合过程中数据传输存在较大通信成本；此外，传统深度学习网络中很多冗余的权重参数参与计算带来了很大的计算压力，使得诊断效率低下。由此可见，现有的风电机组故障诊断技术存在成本高但效率低的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于联邦学习的风电机组故障诊断方法及系统，解决了现有的风电机组故障诊断技术存在成本高但效率低的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出一种基于联邦学习的风电机组故障诊断方法，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。

优选的，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group lasso正则项对模型进行稀疏化。

优选的，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)