买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河北工业大学申请的专利一种基于联邦分层优化学习的设备故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115525038B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211319431.5，技术领域涉及：G05B19/418；该发明授权一种基于联邦分层优化学习的设备故障诊断方法是由刘晶;王晓茜;季海鹏;吕华;董永峰设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本一种基于联邦分层优化学习的设备故障诊断方法在说明书摘要公布了：本发明公开了一种基于联邦分层优化学习的设备故障诊断方法，包括下述步骤：S1：对工厂客户端进行分层初始化，根据训练速度划分不同的层；S2.对工厂设备数据进行去噪、归一化预处理；S3.在工厂客户端中建立故障诊断模型，进行本地个性化更新训练，计算每层工厂客户端权值；S4.中心服务端利用迭代阈值的局部聚合模型，动态控制各层迭代，并根据权值进行局部加权聚合生成层局部模型；S5.中心服务端计算局部模型权重完成中心聚合，生成新参数下发至工厂客户端，直至完成所有迭代。本发明针对工业设备数据质量与训练效率差异性问题，能够提升故障诊断准确率与训练效率，具有良好的鲁棒性，满足多工厂高效设备故障诊断的工业需求。

本发明授权一种基于联邦分层优化学习的设备故障诊断方法在权利要求书中公布了：1.一种基于联邦分层优化学习的设备故障诊断方法，其特征在于利用联邦学习进行安全高效的多工厂分布式故障诊断，包括下述步骤： S1：分层初始化：将所有工厂客户端进行分层初始化处理，根据训练速度划分为不同的工厂客户端层； S2：数据处理：所有工厂客户端对设备数据进行采集、去噪、归一化预处理，并划分训练集与测试集； S3：客户端本地个性化训练：在工厂客户端中建立卷积神经网络故障诊断模型，由卷积层、最大池化层、relu激活函数、全连接层和softmax分类函数输出层构成；利用故障诊断模型对预处理后的数据进行本地个性化更新训练，并计算每层中工厂客户端的权值； S4：各层局部聚合：中心服务端利用迭代阈值的局部聚合模型，对每层的训练次数进行动态控制，当达到迭代阈值时，本轮迭代停止，各层将本地参数上传至中心服务端，并根据权值进行局部加权聚合生成层局部模型； S5：中心模型参数聚合：中心服务端计算层局部模型权重完成中心聚合，生成新一轮的参数下发至工厂客户端；所述步骤S1中，对所有客户端进行分层初始化：根据训练速度将所有客户端划分为层，表示划分层数，其中下标越大的层，训练速度越慢；所述步骤S3中，工厂客户端利用本地个性更新选择算法进行本地故障诊断，包括以下步骤： 1-1设置卷积神经网络作为故障诊断训练模型，由1×3卷积层、1×3最大池化层、relu激活函数、全连接层和softmax分类函数输出层构成； 1-2多工厂联合训练过程中，故障诊断模型的训练目标为：其中，参与训练的工厂客户端总量为N，表示客户端的本地优化目标，表示客户端经过数据处理后的本地数据集，表示客户端中每条数据，表示数据集大小，为其损失函数，表示其本地模型参数，表示此轮数据集总量； 1-3在工厂客户端本地更新过程中，本地个性更新选择算法通过加入偏移程度约束函数，修正本地模型更新方向，使其更接近于中心模型，修正后的本地优化目标为：其中，为超参数，为上一轮全局模型参数，表示客户端数据集大小，为其损失函数，表示此轮本地模型参数，表示此轮数据集总量； 1-4在客户端参数上传过程中，将本地训练结果作为指标，计算本次迭代的工厂客户端权值，并选择诊断准确率与偏移距离较好的工厂客户参与层局部模型聚合，提升优质客户端参与度与联合诊断准确率；工厂客户端局部聚合权重为：其中表示工厂客户端在第轮全局迭代中的训练准确率，表示全局模型参数和工厂本地参数余弦相似度，用于衡量本地模型的偏移程度，如下式所示：所述步骤S4中，采用基于迭代阈值的局部聚合模型，减少不同工厂工况、计算资源、数据量差异环境下的中心聚合延迟等待问题，提升联合故障诊断效率，包括以下步骤： 2-1基于迭代阈值的局部聚合模型分为基于阈值动态迭代算法与局部模型加权聚合算法两部分； 2-2基于阈值动态迭代算法执行过程中，首先假设中心模型迭代次数为N，经过分层处理后的工厂客户端分为层，表示划分层数，其中下标越大的层，训练速度越慢； 2-3为最慢层设置此轮训练最小迭代次数、最大迭代次数与诊断精度差阈值；当层的迭代次数等于最大迭代次数或者精度差达到阈值则通知中心服务端此轮迭代停止，迭代停止阈值满足条件为：其中，代表此轮统一停止迭代时间，表示层第轮的迭代次数，表示层第轮的诊断准确率； 2-4局部模型加权聚合算法执行过程中，首先根据工厂客户端本地参数进行各层局部聚合，然后计算层局部模型聚合权重，最后完成中心模型聚合；层局部聚合表示为：其中，代表划分的不同层级，共有层，各层的局部模型表示为，为各层所选择的参与聚合的工厂客户端数量，为该层参与聚合所有工厂客户端样本数量总和，为经过本地个性更新选择方法模型客户端本地参数，为工厂本地样本数量； 2-5最后进行中心聚合，中心模型聚合表示为：其中，表示客户端层总层数，表示其中一层编号，表示根据迭代轮次确定的层局部模型权重，控制层模型权重平衡迭代次数差异，减少因层模型迭代轮次不同对中心聚合偏移的影响；表示根据各层模型训练的平均精度确定的层聚合权重，提升训练质量较高的层局部模型参数所占权重，进一步提升中心模型诊断准确率；与进行归一化处理后分别表示为：其中，表示客户端层总层数，和表示其中一层编号，表示层迭代次数，表示层平均诊断精度； 2-6中心服务端完成中心聚合后，得到本轮的全局模型参数，下发至各层的工厂客户端，进行下一轮的迭代训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北工业大学，其通讯地址为：300000 天津市北辰区双口镇西平道5340号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。