电机的故障判断方法、装置、终端设备及计算机存储介质

技术领域

本发明涉及电机和人工智能技术领域，尤其涉及一种电机的故障判断方法、装置、终端设备以及计算机可读存储介质。

背景技术

人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

现有针对电机进行故障识别判断大都是实时的对待检测电机进行各种维度的状态检测，并在检测得到该待检测电机大量的状态数据之后，针对该大量状态数据进行复杂的专业计算，进而输出故障的判断结果。如此，不仅在每一次进行判断时都必须进行复杂的计算，且由于电机的运行状态难免会遭受外界噪声的影响，因此，很容易造成即便耗费时间进行了繁琐的计算，但最终得出的判断结果仍然无法保证准确性的情况。

发明内容

本发明实施例提供一种电机的故障判断方法、装置、终端设备以及计算机可读存储介质，旨在实现基于机器学习来进行电机的故障识别判断，达成简化计算操作和提高判断准确性的目的，提升电机故障判断的效率。

为实现上述技术目的，本发明实施例提供一种电机的故障判断方法，所述电机的故障判断方法应用于连接多个电机的终端设备，所述电机的故障判断方法包括：

获取待检测电机的实时状态数据，并将所述实时状态数据输入预设的电机故障判断模型，其中，所述电机故障判断模型基于多个电机的样本状态数据进行联邦学习训练得到；

接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

根据所述计算结果确定所述待检测电机是否发生故障。

进一步地，上述方案中，所述电机的故障判断方法，还包括：

控制多个电机基于各自的样本状态数据进行联邦学习训练得到电机故障判断模型。

进一步地，上述方案中，所述控制多个电机基于各自的样本状态数据进行联邦学习训练得到电机故障判断模型的步骤，包括：

控制所述多个电机各自在本地采集样本状态数据并基于所述样本状态数据进行本地模型的机器学习训练；

接收所述多个电机上传的各自本地模型的模型参数，并整合所述模型参数生成待确认模型；

将所述待确认模型分发至所述多个电机进行测试并接收所述多个电机各自返回的测试结果；

根据所述测试结果确定所述待确认模型为电机故障判断模型。

进一步地，上述方案中，所述测试结果包括模型计算准确和模型计算不准确，所述根据所述测试结果确定所述待确认模型为电机故障判断模型的步骤，包括：

若接收到的所述测试结果为所述模型计算准确，则确定所述待确认模型为所述电机故障判断模型；

若接收到的所述测试结果为所述模型计算不准确，则控制对应电机在本地基于所述样本状态数据对所述待确认模型重新进行训练并上传新的模型参数；

整合所述新的模型参数生成新的待确认模型并针对所述新的待确认模型进行测试得到新的测试结果；

若所述新的测试结果为所述模型计算准确，则确定所述新的待确认模型为所述电机故障判断模型。

进一步地，上述方案中，所述样本状态数据包括电机实时运行参数和环境噪声数据，所述控制所述多个电机各自在本地采集样本状态数据并基于所述样本状态数据进行本地模型的机器学习训练的步骤，包括：

向所述多个电机分发模型训练指令，以供所述多个电机根据所述模型训练指令各自在本地采集所述电机实时运行参数和所述环境噪声数据，并在本地基于所述电机实时运行参数和所述环境噪声数据针对本地模型进行机器学习训练。

进一步地，上述方案中，所述电机故障判断模型存储于区块链中，所述将所述实时状态数据输入预设的电机故障判断模型的步骤，包括：

从所述区块链中提取所述电机故障判断模型，并将所述实时状态数据输入所述电机故障判断模型。

此外，为实现上述技术目的，本发明实施例还提供另外一种电机的故障判断方法，所述电机的故障判断方法应用于电机本身，所述电机的故障判断方法包括：

基于本地的样本状态数据与其它多个电机进行联邦学习训练得到电机故障判断模型；

获取电机的实时状态数据，并将所述实时状态数据输入所述电机故障判断模型；

接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

根据所述计算结果确定所述待检测电机是否发生故障。

此外，为实现上述技术目的，本发明实施例还提供一种电机的故障判断装置，所述电机的故障判断装置应用于连接多个电机的终端设备，所述电机的故障判断装置包括：

获取模块，用于获取待检测电机的实时状态数据，并将所述实时状态数据输入预设的电机故障判断模型，其中，所述电机故障判断模型基于多个电机的样本状态数据进行联邦学习训练得到；

接收模块，用于接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

确定模块，用于根据所述计算结果确定所述待检测电机是否发生故障；

其中，所述电机的故障判断装置还应用于电机本身，所述电机的故障判断装置还包括：

模型训练模块，用于基于本地的样本状态数据与其它多个电机进行联邦学习训练得到电机故障判断模型。

此外，为实现上述技术目的，本发明实施例提供一种终端设备，所述终端设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的电机的故障判断方法。

此外，为实现上述技术目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的电机的故障判断方法。

本发明实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现本发明实施例提供的电机的故障判断方法。

本发明实施例具有以下有益技术效果：

本发明实施例提供的一种电机的故障判断方法、装置、终端设备以及计算机可读存储介质，通过获取待检测电机的实时状态数据，并将所述实时状态数据输入预设的电机故障判断模型，其中，所述电机故障判断模型基于多个电机的样本状态数据进行联邦学习训练得到；接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；根据所述计算结果确定所述待检测电机是否发生故障。

与相关技术中实时的对待检测电机进行各种维度的状态检测以得到大量状态数据，然后针对该大量状态数据进行复杂计算得到故障判断结果的方式相比，本发明实施例基于多个电机的样本状态数据进行联邦学习训练得到电机故障判断模型，然后在针对待检测电机进行故障判断时，直接获取该待检测电机的实时状态数据，并将该实时状态数据输入该电机故障判断模型，从而由该电机故障判断模型训练计算该实时状态数据以输出计算结果，最后，基于该计算结果确定该待检测电机是否发生故障。

本发明实现了，基于多个电机采集样本状态数据进行联邦的机器学习训练得到模型来进行电机故障的识别判断，不仅无需针对电机的大量实时状态数据进行复杂的专业计算，简化了针对电机进行故障判断的操作，还有效地提高了故障判断的准确性，极大程度上提升了电机故障判断的效率。

附图说明

图1是本发明实施例提供的电机的故障判断方法的一实施场景示意图；

图2是本发明实施例提供的终端设备的结构示意图；

图3是本发明实施例提供的电机的故障判断方法的一流程示意图；

图4是本发明实施例提供的电机的故障判断方法的另一流程示意图；

图5是本发明实施例提供的电机的故障判断方法的另一实施场景示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作在一些实施例中详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，若有涉及术语“第一\第二\第三”，该“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1)联邦学习训练，即联合多个实例(本方案中即为电机)各自的样本数据共同进行机器学习，以在多方协同情况下完成模型的训练及优化。

基于上述对本发明实施例中涉及的名词和术语的解释，下面说明本发明实施例提供的分类模型的训练方法的实施场景，参见图1，图1是本发明实施例提供的电机的故障判断方法的实施场景示意图，为实现支撑一个示例性应用，终端设备200-1通过网络300连接多个电机，即电机200-1至电机200-n(n为大于1的正整数)。

终端设备(包括终端设备200-1)，用于接收多个电机(包括电机200-1和/或者电机200-2...电机200-n)各自上传的实时状态数据，然后将该实时状态数据输入电机故障判断模型，并接收该电机故障判断模型输出的计算结果，以及根据计算结果判断该实时状态数据对应的电机是否出现故障；

电机(包括电机200-1和/或者电机200-2...电机200-n)，用于上传各自的实时状态数据以及接收终端设备(包括终端设备200-1)反馈的电机故障判断结果。

在实际应用中，终端设备200-1可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备200-1同样可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端设备200-1和电机200-2可以通过有线或无线通信方式进行直接或间接地连接，本发明在此不做限制。

下面对本发明实施例提供的实施电机的故障判断方法的终端设备的硬件结构做详细说明，终端设备包括但不限于服务器或终端。参见图2，图2是本发明实施例提供的终端设备的结构示意图，图2所示的终端设备200包括：至少一个处理器210、存储器250、至少一个网络接口220和用户接口230。终端设备200中的各个组件通过总线系统240耦合在一起。可以理解的是，总线系统240用于实现这些组件之间的连接通信。总线系统240除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统240。

处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口230包括使得能够呈现媒体内容的一个或多个输出装置231，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口230还包括一个或多个输入装置232，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器250可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器250可选地包括在物理位置上远离处理器210的一个或多个存储设备。

存储器250包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器250旨在包括任意适合类型的存储器。

在一些实施例中，存储器250能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统251，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块252，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

输入处理模块253，用于对一个或多个来自一个或多个输入装置232之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本发明实施例提供的电机的故障判断装置可以采用软件方式实现，图2示出了存储在存储器250中的电机的故障判断装置254，其可以是程序和插件等形式的软件，包括以下软件模块：

获取模块2541，用于获取待检测电机的实时状态数据，并将所述实时状态数据输入预设的电机故障判断模型，其中，所述电机故障判断模型基于多个电机的样本状态数据进行联邦学习训练得到；

接收模块2542，用于接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

确定模块2543，用于根据所述计算结果确定所述待检测电机是否发生故障。

可选地，电机的故障判断装置254，还包括：

模型训练模块2544，用于控制多个电机基于各自的样本状态数据进行联邦学习训练得到电机故障判断模型。

可选地，模型训练模块2544，包括：

控制单元，用于控制所述多个电机各自在本地采集样本状态数据并基于所述样本状态数据进行本地模型的机器学习训练；

模型生成单元，用于接收所述多个电机上传的各自本地模型的模型参数，并整合所述模型参数生成待确认模型；

测试单元，用于将所述待确认模型分发至所述多个电机进行测试并接收所述多个电机各自返回的测试结果；

确定单元，用于根据所述测试结果确定所述待确认模型为电机故障判断模型。

可选地，所述测试结果包括模型计算准确和模型计算不准确，所述确定单元，包括：

第一确定子单元，用于若接收到的所述测试结果为所述模型计算准确，则确定所述待确认模型为所述电机故障判断模型；

控制子单元，用于若接收到的所述测试结果为所述模型计算不准确，则控制对应电机在本地基于所述样本状态数据对所述待确认模型重新进行训练并上传新的模型参数；

模型生成子单元，用于整合所述新的模型参数生成新的待确认模型并针对所述新的待确认模型进行测试得到新的测试结果；

第二确定子单元，用于若所述新的测试结果为所述模型计算准确，则确定所述新的待确认模型为所述电机故障判断模型。

可选地，所述样本状态数据包括电机实时运行参数和环境噪声数据，控制单元，还用于向所述多个电机分发模型训练指令，以供所述多个电机根据所述模型训练指令各自在本地采集所述电机实时运行参数和所述环境噪声数据，并在本地基于所述电机实时运行参数和所述环境噪声数据针对本地模型进行机器学习训练。

可选地，所述电机故障判断模型存储于区块链中，获取模块2541，还用于从所述区块链中提取所述电机故障判断模型，并将所述实时状态数据输入所述电机故障判断模型。

此外，在另一些可行的实施例中，上述存储在存储器250中的电机的故障判断装置254，还可以单独应用于电机本身，当该电机的故障判断装置254应用于电机本身时，

模型训练模块2544，用于基于本地的样本状态数据与其它多个电机进行联邦学习训练得到电机故障判断模型

获取模块2541，用于获取电机的实时状态数据，并将所述实时状态数据输入所述电机故障判断模型；

接收模块2542，用于接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

确定模块2543，用于根据所述计算结果确定所述待检测电机是否发生故障。

以上这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分，将在下文中说明各个模块的功能。

在另一些实施例中，本发明实施例提供的电机的故障判断装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的电机的故障判断装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的电机的故障判断方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable LogicDevice)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

基于上述对本发明实施例的电机的故障判断方法的实施场景及电子设备的说明，下面说明本发明实施例提供的电机的故障判断方法。参见图3，图3是本发明实施例提供的电机的故障判断方法的流程示意图，本发明实施例提供的电机的故障判断方法应用于与多个电机通过有线或者无线方式连接的终端设备，该电机的故障判断方法包括：

步骤301：获取待检测电机的实时状态数据，并将所述实时状态数据输入预设的电机故障判断模型，其中，所述电机故障判断模型基于多个电机的样本状态数据进行联邦学习训练得到。

终端设备在所连接的待检测电机的整个运行过程当中，持续不断的监控该待检测电机的实时状态数据，并在需要针对该待检测电机进行故障判断时，直接获取该待检测电机的实时状态数据，并将实时状态数据输入到预先已经进行联邦的机器学习训练得到的电机故障判断模型当中。

需要说明的是，在本实施例中，电机故障判断模型为终端设备预先控制所连接的多个电机基于各自本地的样本状态数据进行联邦的机器学习训练得到的。

具体地，本实施例在实际实施时，终端设备通过与安装在待检测电机上的各种用于检测电机运行状态的传感器建立通信连接，从而在该待检测电机启动运行的整个过程当中，持续不断的监测该各种传感器各自实时检测到的待检测电机的实时状态数据，然后，终端设备通过基于接收针对该待检测电机进行故障判断的指令，来将该各种传感器各自检测到的待检测电机的实时状态数据获取到本地，再然后，终端设备即可直接将该实时状态数据输入到预先就已经训练好的电机故障判断模型当中。

进一步地，在一些可行的实施例中，本发明实施例提供的电机的故障判断方法，还可以包括：

步骤A：控制多个电机基于各自的样本状态数据进行联邦学习训练得到电机故障判断模型。

终端设备在获取待检测电机的实时状态数据，并将该实时状态数据输入到电机故障判断模型之前，先通过控制已经连接的多个电机作为联邦以基于该多个电机各自的样本状态数据进行联邦学习训练，从而得到能够针对该待检测电机进行故障判断的电机故障判断模型。

进一步地，在一种可行的实施例中，步骤A，可以包括：

步骤A1：控制所述多个电机各自在本地采集样本状态数据并基于所述样本状态数据进行本地模型的机器学习训练；

终端设备在控制所连接的多个电机进行联邦学习训练的过程中，先控制该多个电机各自在本地采集样本状态数据，然后利用该样本状态数据在本地针对本地模型进行机器学习训练直至该本地模型收敛，或者针对该本地模型进行机器学习训练的次数达到最大迭代次数。

需要说明的是，在本实施例中，样本状态数据具体可以为各个电机各自在本地实时收集的各种传感器所实时监测的电机转速、电流、电压以及振动幅度等实时运行参数以及环境噪声数据，或者，该样本状态数据还可以为由工作人员手动输入的电机转速、电流、电压以及振动幅度等实时运行参数以及环境噪声数据，应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，各个电机当然可以在本地收集各种不同的实时运行参数以及所处环境的环境噪声数据来作为样本状态数据，本发明实施例提出的电机的故障判断方法并不针对该样本状态数据的具体种类进行限定。

此外，在本实施例中，本地模型具体可以为诸如神经网络模型、卷积神经网络模型、二分类模型或者多分类模型等任意机器学习模型，应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，各个电机各自可以在本地共同针对任意机器学习模型中的某一种模型进行机器学习训练，本发明实施例提出的电机的故障判断方法同样也不针对该本地模型的具体种类进行限定。

进一步地，在一种可行的实施例中，所述样本状态数据包括电机实时运行参数和环境噪声数据，上述步骤A1，可以包括：

步骤A101：向所述多个电机分发模型训练指令，以供所述多个电机根据所述模型训练指令各自在本地采集所述电机实时运行参数和所述环境噪声数据，并在本地基于所述电机实时运行参数和所述环境噪声数据针对本地模型进行机器学习训练。

终端设备在将所连接的多个电机组合成为联邦之后，向该多个电机统一分发模型训练指令，该多个电机在接收该模型训练指令之后即开始各自在本地收集各种传感器监测到的电机实时运行参数和环境噪声数据，然后，该多个电机各自在本地基于该电机实时运行参数和环境噪声数据，针对同一类型的机器学习模型进行机器学习训练。

具体地，本实施例在实际实施时，终端设备预先选中一个二分类模型作为各个电机需要在本地进行机器学习训练的本地模型，然后，终端设备将该二分类模型封装成为控制各个电机在本地进行机器学习训练的模型训练指令，并将该模型训练指令分发给该各个电机，从而，该各个电机在接收到该模型训练指令之后即分别收集各自预置的传感器所实时监测到的实时电机运行参数(例如电机转速、电流、电压和/或者振动幅度等)，以及收集各自所处环境的环境噪声数据，并分别在本地基于各自收集到的该实时电机运行参数和环境噪声数据对随该模型训练指令一起下发的二分类模型进行迭代训练直至该二分类模型收敛，或者，直至对该二分类模型进行迭代训练的次数达到设定的最大迭代次数。

步骤A2：接收所述多个电机上传的各自本地模型的模型参数，并整合所述模型参数生成待确认模型；

终端设备在将所连接的多个电机组合成为联邦，并向该多个电机统一分发模型训练指令以供该多个电机根据该模型训练指令在本地收集样本状态数据以针对同一类型的机器学习模型进行机器学习训练之后，终端设备即接收该多个电机各自在将该机器学习模型训练收敛或者训练次数达到最大迭代次数之后，该机器学习模型的各模型参数，然后，终端设备针对该多个电机各自上传的模型参数进行整合以生成一个完整的机器学习模型作为待确认模型。

具体地，本实施例在实际实施时，各个电机各自在本地基于收集到的该实时电机运行参数和环境噪声数据对二分类模型进行迭代训练直至该二分类模型收敛，或者，直至对该二分类模型进行迭代训练的次数达到设定的最大迭代次数之后，各个电机分别将该二分类模型的中间梯度、系数以及权重等类别的模型参数，打包上传给终端设备，终端设备在接收到该各个电机各自上传的模型参数之后，先针对该模型参数进行归类，并将同一类别的模型参数进行加权平均得到该类别唯一的模型参数，最后，终端设备将经过加权平均之后不同类别的模型参数整合成为一个新的二分类模型作为待确认模型。

步骤A3：将所述待确认模型分发至所述多个电机进行测试并接收所述多个电机各自返回的测试结果；

终端设备在整合多个电机各自上传的模型参数从而生成得到待确认模型之后，再一次将该待确认模型分发给多个电机以令该多个电机各自在本地针对该待确认模型进行测试，并待测试完成之后反馈各自对待确认模型进行测试的测试结果。

需要说明的是，在本实施例中，多个电机各自在本地针对待确认模型进行测试时，该多个电机可以采用各自在本地收集到的专门用于测试的测试样本数据，该测试样本数据具体可以为各个电机各自在确定电机是否有故障的情况下，在本地收集的实时电机运行参数和环境噪声数据，或者，该测试样本数据还可以为工作人员手动输入的标记有电机是否有故障的电机运行参数和环境噪声数据。

具体地，本实施例中在实际实施时，终端设备在针对各个电机各自上传的二分类模型的模型参数进行归类和加权平均，再经过加权平均之后不同类别的模型参数整合得到待确认模型之后，终端设备再次将该待确认模型封装为模型测试指令，并将该模型测试指令分发给各个电机以令各个电机提取该模型测试指令中的待确认模型，并获取测试样本数据输入该待确认模型进行模型训练计算，根据该待确认模型输出的计算结果生成对应的测试结果，并将该测试结果分别反馈给终端设备。

需要说明的是，在本实施例中，各个电机分别在本地利用测试样本数据针对待确认模型进行测试时，若电机当前向该待确认模型输入的是标识电机有故障的测试样本数据，且该待确认模型针对该测试样本数据进行模型训练计算输出的计算结果也为电机有故障，则电机即随即生成一个模型计算准确的测试结果并将该测试结果反馈给终端设备，或者，电机当前向待确认模型输入的是标识电机有故障的测试样本数据，但该待确认模型针对该测试样本数据进行模型训练计算输出的计算结果却为电机无故障，则电机即随即生成一个模型计算不准确的测试结果并将该测试结果反馈给终端设备。

步骤A4：根据所述测试结果确定所述待确认模型为电机故障判断模型。

终端设备在接收到各个电机分别上传的测试结果之后，即基于该测试结果直接将待确认模型确定为能够准确判断待检测电机是否出现故障的电机故障判断模型，或者，基于该测试结果再次控制电机针对该待确认模型进行本地的机器学习训练，然后重新生成新的待确认模型进行测试，从而基于测试结果确定该新的待确认模型为电机故障判断模型。

进一步地，在一种可行的实施例中，所述测试结果包括模型计算准确和模型计算不准确，步骤A4，可以包括：

步骤A401：若接收到的所述测试结果为所述模型计算准确，则确定所述待确认模型为所述电机故障判断模型；

终端设备在接收到各个电机分别上传的测试结果之后，若该测试结果为模型计算准确，则终端设备直接将待确认模型确定为能够准确判断待检测电机是否出现故障的电机故障判断模型。

具体地，请参照如图5所示的应用场景，本实施例在实际实施时，若各个电机中，电机1在本地利用测试样本数据针对待确认模型进行测试后生成的测试结果为“模型计算准确”，如此，该电机1将该“模型计算准确”的测试结果上传给终端设备之后，终端设备即可直接确定传递给电机1进行测试的该待确认模型为能够准确判断待检测电机是否出现故障的电机故障判断模型。

步骤A402：若接收到的所述测试结果为所述模型计算不准确，则控制对应电机在本地基于所述样本状态数据对所述待确认模型重新进行训练并上传新的模型参数；

终端设备在接收到各个电机分别上传的测试结果之后，若该测试结果为模型计算不准确，则终端设备再次控制上传该测试结果的电机在本地重新基于样本状态数据针对待确认模型进行机器学习训练并上传新的模型参数。

具体地，请参照如图5所示的应用场景，本实施例在实际实施时，若各个电机中，电机2在本地利用测试样本数据针对待确认模型进行测试后生成的测试结果为“模型计算不准确”，如此，该电机2将该“模型计算不准确”的测试结果上传给终端设备之后，终端设备立即再次向该电机2下发新的模型训练指令，以令该电机2基于该新的模型训练指令利用预先收集到的实时电机运行参数(例如电机转速、电流、电压和/或者振动幅度等)以及环境噪声数据，重新在本地对该待确认模型进行迭代训练直至该待确认模型收敛后，或者，直至对该待确认模型进行迭代训练的次数达到设定的最大迭代次数后，将该待确认模型的中间梯度、系数以及权重等类别的新的模型参数打包上传给终端设备。

步骤A403：整合所述新的模型参数生成新的待确认模型并针对所述新的待确认模型进行测试得到新的测试结果；

终端设备在接收到新的模型参数之后，针对该新的模型参数进行整合以生成一个完整的机器学习模型作为新的待确认模型，然后，终端设备再次将该新的待确认模型下发给对应的电机，由该电机针对该新的待确认模型进行测试后反馈新的测试结果。

具体地，请参照如图5所示的应用场景，本实施例在实际实施时，终端设备在接收到电机2上传新的模型参数之后，同样先针对该新的模型参数进行归类，并将同一类别的模型参数进行加权平均得到该类别唯一的模型参数，最后，终端设备将经过加权平均之后不同类别的模型参数整合成为一个新的待确认模型，然后，终端设备再次将该新的待确认模型封装为模型测试指令，并将该模型测试指令分发给电机2以令电机2提取该模型测试指令中新的待确认模型，并获取测试样本数据输入该新的待确认模型进行模型训练计算，根据该新的待确认模型输出的计算结果生成对应的新的测试结果，即“模型计算准确”或者“模型计算不准确”，并将该新的测试结果反馈给终端设备。

需要说明的是，在本实施例中，电机2针对新的待确认模型进行测试并生成新的测试结果的过程，与上述各个电机分别在本地利用测试样本数据针对待确认模型进行测试进而生成对应测试结果的过程相同，此处不再赘述。

步骤A404：若所述新的测试结果为所述模型计算准确，则确定所述新的待确认模型为所述电机故障判断模型。

终端设备在接收到电机再次上传的新的测试结果之后，若该新的测试结果为模型计算准确，则终端设备直接将新的待确认模型确定为能够准确判断待检测电机是否出现故障的电机故障判断模型。

具体地，请参照如图5所示的应用场景，本实施例在实际实施时，若电机2在本地再次利用测试样本数据针对新的待确认模型进行测试后生成的新的测试结果为“模型计算准确”，则该电机2将该“模型计算准确”的新的测试结果上传给终端设备之后，终端设备即可直接确定传递给电机2进行测试的该新的待确认模型为能够准确判断待检测电机是否出现故障的电机故障判断模型。

进一步地，在另一种可行的实施例中，若终端设备再次接收到的新的测试结果仍然为“模型计算不准确”，则终端设备再次重复执行上述步骤A401至步骤A403的过程，直到该新的测试结果为“模型计算准确”而将新的待确认模型确定为电机故障判断模型。

进一步地，在一些可行的实施例中，所述电机故障判断模型存储于区块链中，上述步骤301中，“将所述实时状态数据输入预设的电机故障判断模型”的步骤，可以包括：

步骤3011：从所述区块链中提取所述电机故障判断模型，并将所述实时状态数据输入所述电机故障判断模型。

终端设备在联合多个电机进行联邦学习训练得到电机故障判断模型之后，终端设备可以将该电机故障判断模型存储在预先开发的区块链节点当中，从而，在针对待检测电机进行故障判断的过程中，终端设备在获取得到该待检测电机的实时状态数据之后，即从该区块链节点当中提取该电机故障判断模型，并将该实时状态数据输入到该电机故障判断模型当中。

需要说明的是，在本实施例中，为了保证终端设备联合多个电机进行联邦学习训练得到电机故障判断模型不会被错误修改或者移除，则选择将该电机故障判断模型存储于一区块链的节点中，如此，不仅能够确保该电机故障判断模型的稳定性，还能够确保后续终端设备在提取该电机故障判断模型进行电机故障判断时的响应积极性，以及读取的该电机故障判断模型的准确性，进一步提升电机故障判断的整体效率。

步骤302：接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果。

终端设备在获取得到待检测电机的实时状态数据，并将实时状态数据输入到电机故障判断模型当中之后，该电机故障判断模型针对该实时状态数据进行模型训练计算并输出计算结果，终端设备即接收该计算结果用于确定该待检测电机是否发生故障。

步骤303：根据所述计算结果确定所述待检测电机是否发生故障。

需要说明的是，在本实施例中，计算结果包括电机有故障和电机无故障。

终端设备在接收到电机故障模型输出的计算结果之后，若该计算结果为电机无故障，则终端设备确定当前待检测电机并未发生故障，或者，若该计算结果为电机有故障，则终端设备确定当前待检测电机发生故障从而输出对应提示消息。

应用本发明上述实施例，通过终端设备在获取待检测电机的实时状态数据，并将该实时状态数据输入到电机故障判断模型之前，先通过控制已经连接的多个电机作为联邦以基于该多个电机各自的样本状态数据进行联邦学习训练，从而得到能够针对该待检测电机进行故障判断的电机故障判断模型；终端设备在所连接的待检测电机的整个运行过程当中，持续不断的监控该待检测电机的实时状态数据，并在需要针对该待检测电机进行故障判断时，直接获取该待检测电机的实时状态数据，并将实时状态数据输入到预先已经进行联邦的机器学习训练得到的电机故障判断模型当中。终端设备在获取得到待检测电机的实时状态数据，并将实时状态数据输入到电机故障判断模型当中之后，该电机故障判断模型针对该实时状态数据进行模型训练计算并输出计算结果，终端设备即接收该计算结果用于确定该待检测电机是否发生故障。终端设备在接收到电机故障模型输出的计算结果之后，若该计算结果为电机无故障，则终端设备确定当前待检测电机并未发生故障，或者，若该计算结果为电机有故障，则终端设备确定当前待检测电机发生故障从而输出对应提示消息。

本发明实现了，基于多个电机采集样本状态数据进行联邦的机器学习训练得到模型来进行电机故障的识别判断，不仅无需针对电机的大量实时状态数据进行复杂的专业计算，简化了针对电机进行故障判断的操作，还有效地提高了故障判断的准确性，极大程度上提升了电机故障判断的效率。

在对本发明实施例提供的电机的故障判断方法在连接多个电机的终端设备的应用进行说明之后，接下来对本发明实施例提供的电机的故障判断方法在该多个电机中任意某一个电极上的应用进行说明，参见图4，图4是本发明实施例提供的电机的故障判断方法的流程示意图，本发明实施例提供的电机的故障判断方法应用于通过有线或者无线方式，与上述终端设备连接的多个电机中的任意某一个电机，本发明实施例提供的电机的故障判断方法包括：

步骤401：基于本地的样本状态数据与其它多个电机进行联邦学习训练得到电机故障判断模型。

电机基于接收终端设备的模型训练指令，在本地采集样本状态数据，然后利用该样本状态数据在针对本地模型进行机器学习训练直至该本地模型收敛之后，或者针对该本地模型进行机器学习训练的次数达到最大迭代次数之后，将该本地模型的各模型参数上传给终端设备，从而供终端设备先针对该多个电机各自上传的模型参数进行整合以生成一个完整的机器学习模型作为待确认模型，然后，电机接收终端设备下发的该待确认模型在本地针对该待确认模型进行测试并反馈测试结果，从而由终端设备基于该测试结果将待确认模型确定为能够准确判断待检测电机是否出现故障的电机故障判断模型。

需要说明的是，在本实施例中，电机基于本地样本状态数据与其它多个电机进行联邦学习训练得到电机故障判断模型的详细过程可以参考上述实施例中步骤A、步骤A1(包括步骤A101)至步骤A4(包括步骤A401-步骤A404)，的整个具体实施方式，此处不再进行赘述。

步骤402：获取电机的实时状态数据，并将所述实时状态数据输入所述电机故障判断模型；

电机在当前时刻要进行故障判断时，获取该当前时刻的实时状态数据，并将实时状态数据输入到预先已经进行联邦的机器学习训练得到的电机故障判断模型当中。

需要说明的是，在本实施例中，电机获取实时状态数据并将该实时状态数据输入电机故障判断模型的详细过程可以参考上述实施例中步骤301以及步骤3011的整个具体实施方式，此处不再进行赘述。

步骤S403：接收所述电机故障判断模型基于所述实时状态数据进行训练计算后输出的计算结果；

电机在获取得到实时状态数据，并将实时状态数据输入到电机故障判断模型当中之后，该电机故障判断模型针对该实时状态数据进行模型训练计算并输出计算结果，电机即接收该计算结果用于确定当前时刻是否发生故障。

步骤S404：根据所述计算结果确定所述待检测电机是否发生故障。

需要说明的是，同样的，在本实施例中，计算结果包括电机有故障和电机无故障。

电机在接收到电机故障模型输出的计算结果之后，若该计算结果为电机无故障，则终端设备确定当前时刻并未发生故障，或者，若该计算结果为电机有故障，则终端设备确定当前时刻发生故障从而输出对应提示消息。

应用本发明上述实施例，通过电机基于接收终端设备的模型训练指令，在本地采集样本状态数据，然后利用该样本状态数据在针对本地模型进行机器学习训练直至该本地模型收敛之后，或者针对该本地模型进行机器学习训练的次数达到最大迭代次数之后，将该本地模型的各模型参数上传给终端设备，从而供终端设备先针对该多个电机各自上传的模型参数进行整合以生成一个完整的机器学习模型作为待确认模型，然后，电机接收终端设备下发的该待确认模型在本地针对该待确认模型进行测试并反馈测试结果，从而由终端设备基于该测试结果将待确认模型确定为能够准确判断待检测电机是否出现故障的电机故障判断模型。电机在当前时刻要进行故障判断时，获取该当前时刻的实时状态数据，并将实时状态数据输入到预先已经进行联邦的机器学习训练得到的电机故障判断模型当中。电机故障判断模型针对该实时状态数据进行模型训练计算并输出计算结果，电机即接收该计算结果用于确定当前时刻是否发生故障，即，电机在接收到电机故障模型输出的计算结果之后，若该计算结果为电机无故障，则终端设备确定当前时刻并未发生故障，或者，若该计算结果为电机有故障，则终端设备确定当前时刻发生故障从而输出对应提示消息。

本发明实现了，基于多个电机采集样本状态数据进行联邦的机器学习训练得到模型来进行电机故障的识别判断，不仅无需针对电机的大量实时状态数据进行复杂的专业计算，简化了针对电机进行故障判断的操作，还有效地提高了故障判断的准确性，极大程度上提升了电机故障判断的效率。

本发明实施例还提供一种终端设备，所述终端设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的多分类模型的应用方法。

本发明实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本发明实施例提供的电机的故障判断方法。

本发明实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本发明实施例提供的多分类模型的应用方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。