[发明专利]一种基于联邦学习的工业机器人故障诊断方法及系统

权利要求书

1.一种基于联邦学习的工业机器人故障诊断方法，其特征在于，针对不同厂商工业机器人的振动信号，在本地使用多尺度卷积融合算法提取不同尺度下的故障特征并融合，各厂商在本地使用处理后的特征变量通过基于一维卷积神经网络和正则化相结合的方法训练工业机器人本地故障诊断模型；

在不泄露数据隐私的情况下进行联邦学习训练，所有厂商工业机器人的本地故障诊断模型通过第三方聚合，使用自适应梯度剪裁策略和高斯噪声差分隐私算法更新全局模型参数，最终实现多方联合训练工业机器人全局故障诊断模型。

2.根据权利要求1所述的一种基于联邦学习的工业机器人故障诊断方法，其特征在于，所述本地故障诊断模型的训练，包括以下步骤：

步骤101、各厂商根据工业机器人的不同品牌和型号，收集机器人各种运行状态下的数据，数据包括机器人各个关节的传感器数据和相关的运行日志；

步骤102、数据收集后，进行清洗和预处理：首先对数据进行去噪处理，排除因传感器误差或异常运行出现的噪声干扰，然后对数据进行归一化处理，使得各个参数之间具有可比性，并缩小数据范围；

步骤103、利用随机森林算法对数据特征进行重要性排序，选择与故障相关的重要性特征，排除相关性不高的特征，实现数据的降维；

步骤104、对随机森林算法选择出的重要性数据特征使用数据增强方法对数据进行处理，构建虚拟训练样本，提升模型的泛化能力；

步骤105、建立基于一维卷积神经网络和正交正则化相结合的工业机器人故障诊断模型，使用正交初始化避免梯度爆炸/消失现象；

步骤106、使用网格搜索算法优化模型的超参数，采用Softmax分类器实现对目标类别的分类输出；

步骤107、将验证数据输入训练好的模型，验证机器人故障诊断模型效果。

3.根据权利要求2所述的一种基于联邦学习的工业机器人故障诊断方法，其特征在于，所述数据增强方法包括随机采样和Mixup数据增强；

随机采样算法：

1)、首先输入要生成的样本个数n，范围在(1，M-L)M为原始序列采样点数量，L为样本长度；

2)、生成随机点1，选取[随机点1，L]为样本1；

3)、重复步骤2)，直到生成n个样本；

4)、划分训练集、测试集、验证集；

Mixup数据增强方法可表示为：

其中，(x_i,y_i)和(x_j,y_j)是训练集中任意抽取的两个样本；λ为混合系数，λ∈[0,1]；λ:Beat(α,α)，α∈(0,∞)；

Mixup通过混合特征向量及其对应的标签实现线性差值，可通过超参数α的值来控制特征向量和标签的插值强度。

4.根据权利要求1或2或3所述的一种基于联邦学习的工业机器人故障诊断方法，其特征在于，所述联邦学习训练，包括以下步骤：

步骤201、采用星形网络拓扑结构部署服务器和客户端，服务器作为中心节点，各客户端作为边缘节点，服务器和客户端之间可进行双向通信，各客户端之间无通信；客户端代表具有不同数据资源的工业机器人厂商，服务器为云服务器；

步骤202、各客户端在本地部署工业机器人故障诊断模型，在服务器设置联邦学习中模型参数的聚合算法、通信轮数；

步骤203、服务器对全局模型参数进行初始化，在之后的每轮通信中服务器会将本轮全局模型参数向各客户端广播；

步骤204、客户端将步骤203得到的参数作为本轮局部模型训练的初始参数，并结合本地私有数据进行训练；

步骤205、客户端训练完成后向服务器上传局部模型参数更新，服务器将来自客户端的参数更新聚合后进行梯度裁剪，并添加高斯噪声得到新的全局模型参数；

步骤206、服务器进行模型参数的加权聚合，根据各方参数对全局模型参数进行适时调整，完成后将全局模型参数返回给各工业机器人厂商；

步骤207、重复步骤204-步骤206，直至达到指定通信轮数。

5.根据权利要求4所述的一种基于联邦学习的工业机器人故障诊断方法，其特征在于，服务器采用Xavier方法对全局模型参数进行初始化。