(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111511532.8 (22)申请日 2021.12.0 6 (71)申请人 中国海洋大学 地址 266000 山东省青岛市崂山区松岭路 238号 (72)发明人 张千里　孙业飞　王泓晖　刘贵杰　 田晓洁　冷鼎鑫　马鹏磊　 (74)专利代理 机构 青岛汇智海纳 知识产权代理 有限公司 373 35 代理人 王皎 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于联邦学习的TBM滚刀故障诊断模型构建 方法 (57)摘要 本发明公开一种基于联邦学习的TBM故障诊 断诊断模型构建方法， 建立了位于中心服务器的 故障诊断模型， 以及位于各客户的客户端， 训练 模型时客户端接收来自服务器的故障诊断模型， 并用本地数据对模型进行训练， 将梯度信息反馈 回服务器， 服务器端接收梯度信息并选择出一组 使模型更具有泛用性的梯度信息来更新模型， 完 成一次模型的更新迭代， 重复迭代过程以最终获 得最优模型。 本发明在保证不打破隐私协议的基 础上， 解决了各TBM运维组织故障数据少、 故障诊 断难的问题， 打破了数据孤岛， 具有可靠性高、 实 用性强的特点。 权利要求书1页 说明书6页 附图2页 CN 114254700 A 2022.03.29 CN 114254700 A 1.一种基于联邦学习的TBM故障诊断模型构建方法， 其特 征在于包括： A.在服务器端建立故障诊断模型； B.在各客户端收集TBM运行的施工数据， 并对数据进行去除空推数据预处理、 去除噪声 预处理、 归一化预处理及数据聚合预处 理， 随后对数据进行 预训练； C.将预处理训练后的数据按照9： 1划分训练集和测试集， 使用训练集训练模型， 使用测 试集测试模型 的性能并其做出评价， 一轮迭代结束后 获得模型中间训练信息， 并使用本地 测试集对迭代后的模型进行评价， 并将模型梯度信息、 训练数据数目及其评价结果上传给 服务器端； D.服务器端在第一轮迭代时， 统计各客户端所消耗的时间， 按照比例将其划分为两部 分， 第一部 分为训练速度较快的客户端集， 第二部 分为训练速度较慢的客户端集， 然后分别 从第一部分和第二部分客户端上传的梯度信息集中剔除评价结果最差的一组模型梯度信 息， 使用其 他组梯度构建新的全局梯度信息获得新的模型 数据； E.服务器端将新获得的模型数据发送给各客户端， 重复上述迭代步骤直到到达预先设 计的最大迭代次数， 迭代结束， 客户端处的模型即为全局最优 模型。 2.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法， 其特征在于， 所 述步骤E中在重复迭代时， 服务器每次迭代分别剔除第一部分客户端和第二部分客户端中 评价结果最差的一组模型梯度信息， 使用其他组梯度信息构建新的全局梯度， 并在聚合时 额外给第二部分客户端的梯度信息分配一个权 重， 获得新的模型 数据。 3.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法， 其特征在于， 所 述步骤C中， 模型梯度信息上传服务器前， 在梯度信息中根据数值大小分布选择压缩比例 A％， 将绝对值较大的(10 0‑A)％梯度信息进行 上传， A％梯度信息留在本地。 4.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法， 其特征在于， 所 述步骤C中， 对于各梯度信息的评价采用交叉熵损失函数， 获得分数越大说明估计误差越 大， 评价就越差， 所述交叉熵损失函数如下： 其中M为类 别的数量， yic当样本i的真实类别为c时为1否则为0， pic为样本i属于类别c的概 率。 5.根据权利要求4所述的基于联邦学习的TBM故障诊断方法， 其特征在于， 所述步骤D 中， 全局梯度信息的生成方法如下： 每一个客户端均对其一轮迭代后的结果进 行评价， 服务 器端接收全部交叉熵损失函数 的计算结果， 并舍弃掉计算结果最大 的一组梯度信息， 采用 剩下的n‑1组梯度信息采用加权平均的方法构建新的全局梯度： 其中， Ni为第i个客户端训练模型所用数据数目， N为全 部数据总数目， 为第i个客户端上传的梯度信息 。 6.根据权利要求1所述的基于联邦学习的TBM故障诊断模型构建方法， 其特征在于， 所 述步骤B中， TBM运行的施工数据包括刀盘扭矩、 转速、 推进力、 推进率。权　利　要　求　书 1/1 页 2 CN 114254700 A 2基于联邦学习的TBM滚刀故障诊断模型构建 方法 技术领域 [0001]本发明涉及TB M故障诊断领域， 尤其涉及一种基于联邦学习的TB M故障诊断模型构 建方法。 背景技术 [0002]TBM是隧道挖掘的关键设备， 通过刀盘转动挤压岩石使其破裂来实现掘进， 其中刀 盘上安装有众多滚刀， 刀盘旋转时滚刀在岩壁上按照不同半径的同心 圆轨迹运动， 不同滚 刀的受力状况不同， 失效形式和时间也不一样， 在 复杂的地下挖掘环境中又难以安装大量 传感器对 滚刀进行直接检测， 因此对 滚刀的故障检测是一个复杂而困难的过程。 [0003]常见的故障检测方法是在刀盘正面安装一个压力传感器， 根据压力传感器得到的 结果估计滚刀的磨损程度以及是否可能出现故障， 压力传感器在施工过程中容易被损坏， 故障的诊断需要依靠经验丰富的专 业人员靠经验进行判断， 且对于故障类型仅能进行简单 的估计， 这种 方法具有可靠性低、 稳定性差的缺点， 故仅依靠传感器进行TBM故障的检测是 不可靠的。 同时， TBM施工过程中会产生大量施工数据， 施工数据中包含众多关键信息， 这些 隐藏的信息将对TBM的故障检测具有指导作用， 如不加以利用将导致信息的浪费， 因此， 基 于数据驱动的TBM故障检测方法需要挖掘数据内部隐藏的信息， 更加高精度、 高速度地进 行 故障检测。 [0004]在实际施工过程中， 发生故障的场合往往处于少数， 因此TB M的运行历史数据中正 常运行状态数据将远远多于故障数据， 如果直接应用这些数据进行机器学习， 由于训练数 据的类别不平衡， 训练出的模型往往无法达到很高的预测精度； 在不同的隧道挖掘过程中， 故障的类型往往也不尽相同， 因此可以认为每几条隧道施工的历史数据中就会出现不同的 故障类型， 而 出于隐私保护等因素考虑， 各公司不会将这些数据对外开放， 于是每个公司都 有各自的数据， 公司之间的数据各自存储各自定义， 数据就像孤岛一般相互难以连接互动， 利用各自的数据所能诊断的故障也各有不同， 这种问题又被称为数据孤岛问题。 发明内容 [0005]本发明针对TBM故障数据类型不均衡、 数据孤岛问题， 提出一种基于联邦学习的 TBM故障诊断方法， 采用如下技术方案予以实现： 一种基于联邦学习的TBM故障诊断模型构 建方法， 其特 征在于包括： [0006]A.在服务器端建立故障诊断模型； [0007]B.在各客户端收集TBM运行的施工数据， 并对数据进行去除空推数据预处理、 去除 噪声预处 理、 归一化预处理及数据聚合预处 理， 随后对数据进行 预训练； [0008]C.将预处理训练后的数据按照 9： 1划分训练集和测试集， 使用 训练集训练模型， 使 用测试集测试模型 的性能并其做出评价， 一轮迭代结束后获得模型中间训练信息， 并使用 本地测试集对迭代后的模型进行评价， 并将模型梯度信息、 训练数据数目及其评价结果上 传给服务器端；说　明　书 1/6 页 3 CN 114254700 A 3