(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 202210738070.1 (22)申请日 2022.06.28 (65)同一申请的已公布的文献号 申请公布号 CN 114818996 A (43)申请公布日 2022.07.29 (73)专利权人 山东大学 地址 266237 山东省青岛市 即墨区滨 海路 72号 (72)发明人 宋艳　李沂滨　贾磊　崔明　 王代超　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 张庆骞 (51)Int.Cl. G06K 9/62(2022.01)G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) 审查员 王思文 (54)发明名称 基于联邦域泛化的机械故障诊断方法及系 统 (57)摘要 本发明公开了一种基于联邦域泛化的机械 故障诊断方法及系统， 涉及故障诊断技术领域， 在训练阶段， 中心服务器首先随机初始化全局模 型并将其发送给所有客户端。 第二步， 客户端使 用自己的训练数据集独立地训练模 型。 第三步将 所有客户端训练的模型发送到服务器， 并在服务 器中对所有模 型参数进行平均得到全局模型。 第 四步， 客户端与中心服务器协作训练全局模型。 在测试阶段， 服务器将全局模型发送给包含目标 域数据的客户端， 完成故障诊断。 本发明利用源 域数据的标签和特征之间的固有关系， 通过将不 同客户端模型的训练损失和模型参数在中心服 务器中进行加权聚合， 完成全局故障诊断模型的 训练。 权利要求书2页 说明书10页 附图1页 CN 114818996 B 2022.10.11 CN 114818996 B 1.基于联邦域泛化的机 械故障诊断方法， 其特 征在于， 包括以下步骤： 中心服务器随机初始化全局模型并将其发送给 所有客户端； 客户端完成以下任务： 基于分类损失函数计算分类损失并发送给中心服 务器； 获取每个客户端特征提取网络的输出特征， 并将输出特征的协方差矩阵， 发送给中心 服务器； 基于不变风险最小化损失函数计算 不变风险最小化损失并发送给中心服 务器； 客户端使用自己的训练数据集独立 地训练模型； 将所有客户端训练的模型发送到 中心服务器， 并在中心服务器中对所有模型参数进行 平均得到全局模型； 具体过程为： 中心服务器接 收所有客户端的分类损失和 不变风险最小 化损失， 以及特征 的协方差矩阵； 在中心服务器中计算每两个客户端的特征协方差矩阵的 二阶统计特 征距离， 基于特 征距离度量损失函数 得到特征距离度量损失； 分类损失为 ， 分类损失函数为： 其中， 为第k个客户端的训练数据， 为第k个客户端的训练数据集真实标签， 为预测结果； 不变风险最小化损失函数如下： 其中， IRM是不变风险最小化损失， 表示梯度计算， ， b表示 和 的个数， 、 为输入数据， 、 为输入标签， 为 经过特征提取网络 后的输出特征， 为 经过特征提取网络 后的输出特征， 是第 个客户端的第 组特征和标签， 是第 个客户端的第 组特征和标签； 是分类损失函数，  是特征提取网络， 是标量； 特征距离度量损失函数如下： ， 其中， 为特征距离度量损失， N表示客户端数量； F表示矩阵的F范数， 是特 征向量的大小， 表示第 个客户端， 、 表示任意两个客户端的特 征协方差矩阵；权　利　要　求　书 1/2 页 2 CN 114818996 B 2中心服务器将全局模型发送给 所有客户端， 客户端与中心服 务器协作训练全局模型； 中心服务器将训练后的全局模型发送给包 含目标域数据的客户端， 完成故障诊断。 2.如权利要求1所述的基于联邦域泛化的机械故障诊断方法， 其特征在于， 在中心服务 器上基于全局损失函数计算全局损失值， 并基于全局损失值反向传播训练中心 服务器的全 局模型。 3.如权利要求2所述的基于联邦域泛化的机械故障诊断方法， 其特征在于， 全局损失函 数如下： ， 其中， 分别为分类损失， 不变风险最小化 损失和特征距离度量损失， 为第 个客户端， 为每 个客户端分类损失的加权值， 其中， 的取值为1到  N之间的整数， 表示第 个源域数 据集样本的损失值， N表示 客户端数量。 4.用于权利要求1 ‑3任一所述的基于联邦域泛化的机械故障诊断方法的诊断系统， 其 特征在于， 包括： 中心服务器和客户端； 所述中心服务器中包含有一个全局特征提取网络和一个全局分 类网络， 所述中心服务器同时与多个客户端进行信息交互； 所述中心服务器还用于初始化 全局模型； 特征提取网络由三组串 联的一维卷积层、 批标准化层、 修正线性单元层和一 维最 大池化层组成； 分类网络由全 连接层、 批标准化层、 修正线性单元层、 Dr opout层、 Softmax层 组成。 5.如权利要求4所述的诊断系统， 其特征在于， 每个客户端中都包含一个特征提取网络 和一个分类网络， 设N个客户端中包含N  个源域数据集， 第N+1个客户端中包含有目标域数 据集； 特征提取网络由三组串联的一 维卷积层、 批标准化层、 修正线性单元层和一 维最大池 化层组成； 分类网络由全连接层、 批标准化层、 修正线性单元层、 Dropout层、 Softmax层组 成。权　利　要　求　书 2/2 页 3 CN 114818996 B 3