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！

申请/专利权人：山东大学

摘要：本发明属于故障诊断技术领域，提供了一种基于联邦学习和双重监督对比学习的故障诊断方法及系统，包括客户端和服务器端；在客户端中，获取工业机械的运行数据，基于双重监督对比学习提取所获取运行数据的特征，根据所获取的运行数据特征，构建故障预测模型，计算所构建的故障预测模型的模型梯度；在服务器端中，基于联邦学习进行所得到的模型梯度的聚合，得到全局模型，以全局模型的梯度值最小为目标进行全局模型的更新，根据更新后的全局模型，完成工业机械的故障诊断。本发明将双重监督对比学习与基于梯度差异的模型聚合方法相结合，以解决解决对抗攻击下基于联邦学习的智能故障诊断模型鲁棒性下降的难题。

主权项：1.一种基于联邦学习和双重监督对比学习的故障诊断方法，其特征在于，包括：获取工业机械的运行数据；基于双重监督对比学习提取所获取运行数据的特征；根据所获取的运行数据特征，构建故障预测模型，计算所构建的故障预测模型的模型梯度；其中,客户端m的总体训练损失为；其中，是双重监督对比学习DSCL损失的权重，m的取值范围从1到M，共有M个客户端；所构建的故障预测模型的目标函数为双重监督对比学习的总损失函数，双重监督对比学习的总损失函数为，即；其中，表示使用合法样本所得到的损失函数，表示使用对抗样本所得到的损失函数，表示合法样本，表示对抗样本，表示合法样本的类别标签，表示故障预测模型的参数，表示加权系数,表示客户端m内样本的总数；设为客户端m中的合法样本，其中，样本的类别标签为；表示对抗性样本；对于一个给定的合法样本及其对抗性对应样本，其多层感知器MLP输出分别是和，则第一个监督对比学习损失函数可表示为：,即；当同时考虑合法样本和对抗性样本时，第二个监督对比学习损失函数为，即；其中，表示温度缩放参数，表示批量大小；DSCL的损失函数为；基于联邦学习进行所得到的模型梯度的聚合，得到全局模型，以全局模型的梯度值最小为目标进行全局模型的更新，根据更新后的全局模型，完成工业机械的故障诊断；其中，在模型梯度聚合的过程中，第m个客户端的梯度为，计算它与其余M-1个模型梯度之间的协方差平均值，即；客户端m的故障预测模型的权重为；聚合所有故障预测模型，得到全局模型。

全文数据：

权利要求：

百度查询： 山东大学 基于联邦学习和双重监督对比学习的故障诊断方法及系统