(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110520120.4 (22)申请日 2021.05.13 (65)同一申请的已公布的文献号 申请公布号 CN 113255210 A (43)申请公布日 2021.08.13 (73)专利权人 燕山大学 地址 066000 河北省秦皇岛市海港区河北 大街西段438号 (72)发明人 江国乾　范伟鹏　谢平　武鑫　 何群　王霄　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 韩雪梅 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/08(2006.01) G06F 113/06(2020.01) (56)对比文件 CN 111426950 A,2020.07.17 CN 112101489 A,2020.12.18 CN 112115999 A,2020.12.2 2 CN 111678696 A,2020.09.18 US 2020327250 A1,2020.10.15 金余丰.基 于深度学习的滚动轴承故障诊断 方法研究. 《中国优秀硕士学位 论文全文数据库 工程科技 II辑》 .2020, Wei Zhang.et al.F ederated learn ing for machinery fault dia gnosis with dynamic val idation and self-supervisi on. 《Knowledge-Based System s》 .2020, 审查员 郝强 (54)发明名称 一种风电机组联邦故障诊断方法及系统 (57)摘要 本发明公开一种风电机组联邦故障诊断方 法及系统， 先基于风电场内相同类型风电机组构 建风电机组的训练集和测试集； 然后基于联邦学 习框架， 根据所述训练集对本地故障诊断模型进 行训练， 获得各风电机组对应的最优共享故障诊 断模型； 最后将所述测试集输入至各风电机组对 应的所述最优共享故障诊断模型进行风电机组 故障诊断， 获得风电机组故障诊断结果。 本发明 基于联邦 学习框架实现多台风电机组数据共享， 通过“数据不动模型动 ”的方式， 在数据不出本地 的情况下， 将各台风电机组联合起来进行联邦训 练， 在有效的保护不同风电机组制造商数据隐私 的同时， 丰富了故障类型并解决了风电机组间存 在的数据孤岛问题， 在风电机组故障诊断领域中 具有广阔的前 景。 权利要求书4页 说明书10页 附图5页 CN 113255210 B 2022.12.02 CN 113255210 B 1.一种风电机组联邦故障诊断方法， 其特 征在于， 所述方法包括： 步骤S10： 基于风电场内相同类型风电机组构建风电机组的训练集和 测试集； 步骤S20： 基于联邦学习框架， 根据所述训练集对本地故障诊断模型进行训练， 获得各 风电机组对应的最优 共享故障诊断模型， 包括： 步骤S201： 初始化各风电机组对应的本地故障诊断模型的参数； 所述参数包括初始权 重 全局迭代总次数K＝50、 客户端总数N＝10、 客户端选择比例C＝0.5、 客户 端批处理大小b＝128、 学习率α ＝0.01和丢弃率Dropout＝0.5； 其中， 表示第N台风电机 组对应的本地故障诊断模型的初始权 重； 中央服务器端执 行以下步骤： 步骤S202： 令全局迭代初始次数k 为0， n为1， 初始计步次数t＝0； 步骤S203： 随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户 端； 根据所述 客户端总数N和客户端选择比例C确定设定台数Z； 步骤S204： 中央服务器作为训练协作者， 协作更新风电机组端第n台风电机组第k次全 局迭代训练对应的本地故障诊断模型的权 重参数 步骤S205： 判断n是否小于Z； 如果n大于或等于Z， 则执行 “步骤S206 ”； 如果n小于Z， 则令 n＝n+1， 并返回 “步骤S204 ”； 步骤S206： 令t＝t+1， 并判断t％τ是否等于0； 如 果t％τ等于0， 则执行 “步骤S207 ”； 如果 t％τ 不等于0， 则返回“步骤S204 ”， τ 为全局参数 更新速度； 步骤S207： 采用聚合算法， 根据 确定第k次全局迭代次数对 应的全局权重参数 其中， Z表示设定台数， M()表示噪声发生器， 表示更新后的第n 台风电机组第k次全局迭代训练对应的本地故障诊断模型的权 重参数； 步骤S208： 将更新后的全局权重参数 部署到Z台风电机组作为各本地故障诊断模 型第k+1次本地迭代更新前的权重参数 并判断k是否大于或等于K； 如果k大于或等于 K， 则执行“步骤S209 ”； 如果k小于K， 则令k ＝k+1， 并返回 “步骤S203”； 步骤S209： 令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一 固定值； 如果连续设定次数小于某一固定值， 则说明 收敛， 停止本地参数的上传及 全局权重 参数的更新， 将最后一次部署到各风电机组的全局 参数作为最优参数， 将最优参数对应的 本地故障诊断模型作为最优共享 故障诊断模型输出； 如果连续设定次数大于或等于某一固 定值， 则说明未收敛， 令k ＝k+1， 并返回 “步骤S203”； 步骤S30： 将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风 电机组故障诊断， 获得风电机组故障诊断结果； 所述最优共享故障诊断模型包括多尺度残 差网络、 注意力机制网络、 长短期记 忆网络和softmax分类层。 2.根据权利要求1所述的风电机组联邦故障诊断方法， 其特征在于， 所述基于联邦学习 框架， 根据所述训练集对本地故障诊断模型进行训练， 获得各风电机组对应的最优共享故 障诊断模型， 还 包括：权　利　要　求　书 1/4 页 2 CN 113255210 B 2风电机组端执 行以下步骤： 步骤S210： 令Q ＝1， n＝1； 步骤S211： 利用 更新第n台风电机组第k次全局迭代训练对应的 本地故障诊断模型的权重参数 其中， 表示采用交叉熵损失函数， α 表示学习率， b表示 客户端训练集的批处 理大小，▽表示梯度， 步骤S212： 判断n是否小于Z； 如果n大于或等于Z， 则执行 “步骤S213 ”； 如果n小于Z， 则令 n＝n+1， 并返回 “步骤S211”； 步骤S213： 判断Q是否小于τ； 如果Q大于或等于τ， 则将更新后的权重参数ωnk作为本地 参数上载至中央服 务器端； 如果 Q小于 τ， 则令Q ＝Q+1， 并返回 “步骤S211”。 3.根据权利要求1所述的风电机组联邦故障诊断方法， 其特征在于， 所述基于风电场内 相同类型风电机组构建风电机组的训练集和 测试集， 具体包括： 步骤S101： 基于风电场内相同类型不同地 点的风电机组构建本地样本集； 步骤S102： 对所述本地样本集内的各多变量时间序列数据进行归一化处理， 获得归一 化样本集； 步骤S103： 按照设定比例将所述归一化样本集进行划分， 获得风电机组的训练集和测 试集。 4.根据权利要求1所述的风电机组联邦故障诊断方法， 其特征在于， 所述将所述测试集 输入至各风电机组对应的所述最优共享 故障诊断模型进行风电机组故障诊断， 获得风电机 组故障诊断结果， 具体包括： 步骤S301： 利用所述多尺度残差网络捕获所述测试集中空间多尺度特 征； 步骤S302： 利用所述注意力机制对所述空间多尺度特 征进行加权处 理， 保留重要特 征； 步骤S303： 将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性， 获得时空多尺度特 征； 步骤S304： 将所述时空多尺度特征输入到softmax分类层进行故障诊断， 获得风电机组 故障诊断结果。 5.一种风电机组联邦故障诊断系统， 其特 征在于， 所述系统包括： 集合构建模块， 用于基于风电场内相同类型风电机组构建风电机组的训练集和测试 集； 最优共享故障诊断模型训练模块， 用于基于联邦学习框架， 根据所述训练集对本地故 障诊断模型进行训练， 获得 各风电机组对应的最优 共享故障诊断模型， 包括： 初始化单元， 用于初始化各风电机组对应的本地故障诊断模型的参数； 所述参数包括 初始权重 全局迭代总次数K＝50、 客户端总数N＝10、 客户端选择比例C＝ 0.5、 客户端批处理大小b＝128、 学习率α ＝0.01和丢弃率Dropout＝0.5； 其中， 表示第N 台风电机组对应的本地故障诊断模型的初始权 重； 中央服务器端： 第一赋值单 元， 用于令全局迭代初始次数k 为0， n为1， 初始计步次数t＝0；权　利　要　求　书 2/4 页 3 CN 113255210 B 3