基于联邦学习的设备异常监测方法、系统、存储介质及终端

技术领域

本发明涉及工业大数据设备实时异常监测的技术领域，特别是涉及一种基于联邦学习的设备异常监测方法、系统、存储介质及终端。

背景技术

对工业设备进行实时异常监测时，首先需要收集数据。然而，在工业设备实时异常监测场景下，一个工厂由成百上千的不同设备组成，并且每一个设备单次收集都会产生几十到几百维度的特征，根本不可能全部进行存储。另外，当设备出现异常时，有时候并不会在该设备的数据上体现，而是出现在相关联的设备数据中。因此，需要对设备的异常数据进行收集。

在工业场景下，为了解决设备的不同提供商的保密协议、管理规范等问题，通过采用联邦学习，可突破了单场景下异常样本极度匮乏的局限性。但是工业设备实时异常监测领域对实时性要求极高，传统联邦学习技术存在有、高延迟、耗时的问题。每次设备意外除了会造成巨大的经济损失以外，甚至还会引发安全事故影响人民的生命安全(例如停电造成的交通混乱)。因此，如何对联邦学习技术进行符合工业规律的改进，也是当前亟待解决的热点问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于联邦学习的设备异常监测方法、系统、存储介质及终端，基于联邦学习技术实现工业设备的实时异常监测，准确度高，时效性好。

为实现上述目的及其他相关目的，本发明提供一种基于联邦学习的设备异常监测方法，包括以下步骤：获取设备功能单元对应的关联性设备；获取所述关联性设备的关联性属性集合，基于各个设备的先验重要特征集合和所述关联性属性集合构建设备功能单元属性集合；获取训练好的目标场景下的用于设备异常监测的联邦学习模型；基于训练好的目标场景下的联邦学习模型和所述设备功能单元属性集合监测设备是否异常。

于本发明一实施例中，还包括对所述设备功能单元属性集合进行数据清洗。

于本发明一实施例中，所述数据清洗包括填写缺失值、光滑噪声数据、识别并解决数据不一致中的一种或多种组合。

于本发明一实施例中，训练目标场景下的联邦学习模型包括以下步骤：

在每轮训练开始之前，确定当前可访问的目标场景集合；

聚合服务器将当前全局参数发送至各个目标场景；

对于每个目标场景，基于所述当前全局参数和设备数据训练自身的联邦学习模型，并将训练得到的本地模型参数发送至所述聚合服务器；

所述聚合服务器将不同目标场景的本地模型参数进行聚合，得到更新后的当前全局参数；

迭代进行下一轮训练，直至目标场景下的联邦学习模型收敛。

于本发明一实施例中，基于所述当前全局参数和设备数据训练自身的联邦学习模型时，基于所述目标场景下一轮训练进行的次数、可访问的目标场景集合、一轮训练中的参数需要更新的次数和异常样本的数量来加速模型收敛。

于本发明一实施例中，对于每个目标场景，采用相同的联邦学习模型。

本发明提供一种基于联邦学习的设备异常监测系统，包括第一获取模块、第二获取模块、第三获取模块和监测模块；

所述第一获取模块用于获取设备功能单元对应的关联性设备；

所述第二获取模块用于获取所述关联性设备的关联性属性集合，基于各个设备的先验重要特征集合和所述关联性属性集合构建设备功能单元属性集合；

所述第三获取模块用于获取训练好的目标场景下的用于设备异常监测的联邦学习模型；

所述监测模块用于基于训练好的目标场景下的联邦学习模型和所述设备功能单元属性集合监测设备是否异常。

本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于联邦学习的设备异常监测方法。

本发明提供一种基于联邦学习的设备异常监测终端，包括：处理器及存储器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述存储器存储的计算机程序，以使所述基于联邦学习的设备异常监测终端执行上述的基于联邦学习的设备异常监测方法。

本发明提供一种基于联邦学习的设备异常监测系统，包括上述的基于联邦学习的设备异常监测终端和数据采集装置；

所述数据采集装置用于采集设备功能单元对应的关联性设备的关联性属性，并发送至所述基于联邦学习的设备异常监测终端，以构成关联性属性集合。

如上所述，本发明的基于联邦学习的设备异常监测方法、系统、存储介质及终端，具有以下有益效果：

(1)针对工业设备实时异常监测任务，设计了针对性的数据收集装置，提高了数据收集效率；

(2)基于联邦学习技术实现工业设备的实时异常监测，解决了现存技术中高延迟、耗时的技术难题；

(3)有效提高了工业设备实时异常监测的时效性与准确性。

附图说明

图1显示为本发明的基于联邦学习的设备异常监测方法于一实施例中的流程图；

图2显示为本发明的联邦学习模型于一实施例中的训练架构示意图；

图3显示为本发明的数据采集设置于一实施例中的结构示意图；

图4显示为本发明的基于联邦学习的设备异常监测系统于一实施例中的结构示意图；

图5显示为本发明的基于联邦学习的设备异常终端于一实施例中的结构示意图；

图6显示为本发明的基于联邦学习的设备异常监测系统于另一实施例中的结构示意图。

元件标号说明

41 第一获取模块

42 第二获取模块

43 第三获取模块

44 监测模块

51 处理器

52 存储器

61 基于联邦学习的设备异常监测终端

62 数据采集装置

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的基于联邦学习的设备异常监测方法、系统、存储介质及终端通过设计了针对性的数据收集装置，基于改进的联邦学习技术实现了工业设备的实时异常监测，准确度高，时效性好，极具实用性。

如图1所示，于一实施例中，本发明的基于联邦学习的设备异常监测方法包括以下步骤：

步骤S1、获取设备功能单元对应的关联性设备。

具体地，关联性异常是工业设备异常监测中特有的一种异常信息，目标设备的异常并不会体现在自己的属性中，而是出现在相关联的设备属性中。在工业设备异常监测场景中，首先需划分设备功能单元，将属于同一设备功能单元的设备构成一个关联性设备集合。例如，对于某一设备功能单元，根据设备间的关联性，依次确定设备A

步骤S2、获取所述关联性设备的关联性属性集合，基于各个设备的先验重要特征集合和所述关联性属性集合构建设备功能单元属性集合。

具体地，对于某一设备的属性转速

于本发明一实施例中，构建设备功能单元属性集合后，还包括对所述设备功能单元属性集合进行数据清洗。其中，所述数据清洗包括填写缺失值、光滑噪声数据、识别并解决数据不一致中的一种或多种组合。

步骤S3、获取训练好的目标场景下的用于设备异常监测的联邦学习模型。

如图2所示，于本发明一实施例中，训练目标场景下的联邦学习模型包括以下步骤：

31)在每轮训练开始之前，确定当前可访问的目标场景集合。

32)聚合服务器将当前全局参数发送至各个目标场景。

33)对于每个目标场景，基于所述当前全局参数和设备数据训练自身的联邦学习模型，并将训练得到的本地模型参数发送至所述聚合服务器。

34)所述聚合服务器将不同目标场景的本地模型参数进行聚合，得到更新后的当前全局参数。

35)迭代进行下一轮训练，直至目标场景下的联邦学习模型收敛。

具体地，对于每个目标工业场景i∈F，F为能够所有参与模型训练工业场景的集合。在可执行指令的电子设备中进行以下过程：首先在本地对自己训练的联邦学习模型进行本地参数初始化

同时，在可执行计算机指令的聚合服务器执行以下步骤：不同目标场景下将各自场景下根据设备运行数据训练得到的本地模型参数上传到聚合服务器，聚合服务器根据这些上传的本地模型参数进行当前全局参数的聚合和更新，得到更新后的当前全局参数

在上述过程中，各个目标场景的设备数据并不离开本地，并不会违背不同设备提供商之间的管理规范保密协议等，并且因为对传统联邦学习技术进行了改进，解决了现存技术中高延迟、耗时的技术难题，实现了数据的外部增强。其中，从工业设备运行的实际问题出发，定义参数F保证选取的第r轮训练中目标场景中的设备数据都是在线状态，避免由于某些目标场景下设备数据无法访问造成的高延迟甚至模型整体失效。同时定义了参数M为目标场景一轮训练进行的次数，L为一轮训练中的每个批量(batch)，即的可访问的目标场景集合大小，从而对目标场景的训练过程进行了量化，充分发挥每个目标场景的算力，减小了通信代价；并且在每次全局模型更新时，通过技术参数

步骤S4、基于训练好的目标场景下的联邦学习模型和所述设备功能单元属性集合监测设备是否异常。

具体地，将训练完成的联邦学习模型部署在各个工业目标场景可执行指令的电子设备中，这个模型已经包含了各个目标场景下异常数据带来的信息，性能已经全面超越单场景下的联邦学习模型。对于目标场景，接收由所述可信执行环境返回的待检测设备状态数据，通过本地联邦学习模型即可完成对于设备状态异常的判断。

下面通过具体实施例来进一步阐述本发明提供一种基于联邦学习的设备异常监测方法。

在该实施例中，以发电厂发电数据收集装置为例。对于发电任务而言，最重要、最基本的功能单元是发电单元。但是当设备出现异常时，并不会在该设备的数据上体现，而是一段时间后出现在相关联的设备中。当发电单元的风扇坏了(例如叶片脱落)，这种异常并不会出现在风扇自身的运行数据中，而是一段时间后锅炉的温度等属性发生了变化，这就是关联性异常。而为了对异常及时捕获，确定设备功能单元的关联性设备集合是第一步。此任务中，依照设备关联性，包括鼓风机、汽动给水泵、凝结水泵、加热器、炉水循环泵、凝结式汽轮机、电机、风扇等。故设备关联性设备集合D如图3所示；第二步，利用数据收集装置包括电流传感器、转速传感器、电压传感器、温度传感器、测量水泵进水口(左侧)与出水口(右侧)的压力差的压差传感器等装置，在发电单元中收集转速ω、温度T、电流I等设备相关联的属性，从而得到关联性属性集合

表1、单元11发电功能单位的部分属性集合

表2、单元t11发电单位处理后的数据统计信息

如图4所示，于一实施例中，本发明的基于联邦学习的设备异常监测系统包括第一获取模块41、第二获取模块42、第三获取模块43和监测模块44。

所述第一获取模块41用于获取设备功能单元对应的关联性设备。

所述第二获取模块42与所述第一获取模块41相连，用于获取所述关联性设备的关联性属性集合，基于各个设备的先验重要特征集合和所述关联性属性集合构建设备功能单元属性集合。

所述第三获取模块43用于获取训练好的目标场景下的用于设备异常监测的联邦学习模型；

所述监测模块44与所述所述第二获取模块42和所述第三获取模块43相连，用于基于训练好的目标场景下的联邦学习模型和所述设备功能单元属性集合监测设备是否异常。

其中，第一获取模块41、第二获取模块42、第三获取模块43和监测模块44的结构和原理与上述基于联邦学习的设备异常监测方法中的步骤一一对应，故在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现。此外，x模块也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器(Digital Singnal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。

本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于联邦学习的设备异常监测方法。优选地，所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

如图5所示，于一实施例中，本发明的基于联邦学习的设备异常监测终端包括：处理器51和存储器52。

所述存储器52用于存储计算机程序。

所述存储器52包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

所述处理器51与所述存储器52相连，用于执行所述存储器52存储的计算机程序，以使所述基于联邦学习的设备异常监测终端执行上述的基于联邦学习的设备异常监测方法。

优选地，所述处理器51可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)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。

如图6所示，于一实施例中，本发明的基于联邦学习的设备异常监测系统包括上述的基于联邦学习的设备异常监测终端61和数据采集装置62。

所述数据采集装置62与所述基于联邦学习的设备异常监测终端61相连，用于采集设备功能单元对应的关联性设备的关联性属性，并发送至所述基于联邦学习的设备异常监测终端61，以构成关联性属性集合。

综上所述，本发明的基于联邦学习的设备异常监测方法、系统、存储介质及终端针对工业设备实时异常监测任务，设计了针对性的数据收集装置，提高了数据收集效率；基于联邦学习技术实现工业设备的实时异常监测，解决了现存技术中高延迟、耗时的技术难题；有效提高了工业设备实时异常监测的时效性与准确性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。