本申请涉及故障诊断技术领域，特别涉及一种动设备故障诊断方法、装置、客户端及服务器，其中，包括：获取第一数据集和第一公开验证集；利用第一数据集和第一公开验证集对第一模型进行训练，挖掘第一公开验证集的第一难样本，上传第一难样本和第一预测值至服务端，并接收服务端在训练第二模型过程中的第二预测值和挖掘的第二难样本；基于预测值与难样本进行联合双向知识蒸馏直到第一模型和第二模型均收敛，得到训练完成的联合学习模型，利用联合学习模型诊断任意参与方的动设备故障。由此，解决了相关技术中解决单一设备的故障样本较少，本地模型性能较差，无法实现多设备故障诊断等问题。问题。问题。
【技术实现步骤摘要】
动设备故障诊断方法、装置、客户端及服务器
[0001]本申请涉及故障诊断
，特别涉及一种动设备故障诊断方法、装置、客户端及服务器。
技术介绍
[0002]工业智能是人工智能与工业场景、机理、知识深度融合发展而成，实现模仿或超越人类感知、分析、决策等能力的技术，其中工业生产关键设备作为生产的驱动力，其智能化水平日益提高。而随着在线监测设备的普及，工业领域已经积累了大量的在线监测数据，但对这些数据的使用只停留于阈值报警层面。目前基于所采集的振动数据，已经提出了许多基于深度学习、知识图谱与自动化机器学习算法的旋转机械故障诊断方法，如卷积神经网络、长短时记忆网络等，利用这些监测数据进行实时智能的故障诊断。
[0003]而旋转机械设备故障诊断的目的在于故障劣化前对其及时进行检测、识别和定位，对于确保旋转机械设备的安全可靠运行至关重要，但是大多数基于人工智能的旋转机械故障诊断方法需要为每台机器训练一个独立的模型，并且泛化能力较差，无法处理设备间因结构和工作条件的不同引起的数据分布不同。
[0004]相关技术中，将迁移学习和领域自适应引入故障诊断领域，但现有迁移学习方法只能处理转速和负载等工况的变化；当应用于多台机器的故障诊断时，迁移学习和领域自适应等方法需要大量故障数据和完整的故障类型来支持训练过程，实际在工业应用中无法满足其条件。
技术实现思路
[0005]本申请提供一种动设备故障诊断方法、装置、客户端及服务器，以解决相关技术中解决单一设备的故障样本较少，本地模型性能较差，无法实现多设备故障诊断等问题。
[0006]本申请第一方面实施例提供一种动设备故障诊断方法，所述方法应用于客户端，所述客户端包括第一模型，其中，所述方法包括以下步骤：获取第一数据集和第一公开验证集；利用所述第一数据集和所述第一公开验证集对所述第一模型进行训练，挖掘所述第一公开验证集的第一难样本，上传所述第一难样本和第一预测值至服务端，并接收所述服务端在训练第二模型过程中的第二预测值和挖掘的第二难样本；基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断所述任意参与方的动设备故障。
[0007]可选地，所述挖掘所述第一公开验证集的第一难样本，包括：获取所述第一在公开验证集上的第一预测值和第一真实标签；遍历所述第一在公开验证集的所有样本，若所述第一预测值和第一真实标签的差值大于第一阈值，则对应样本的索引添加到难样本索引集合中，直到遍历完成，得到所述第一难样本。
[0008]可选地，所述第一难样本包括多个特征图，所述上传所述第一难样本和所述第一预测值至服务端，包括：从所述第一难样本中选择满足第一预设条件的特征图；量化压缩满
足第一预设条件的特征图，得到第一压缩特征图，上传所述第一压缩特征图和所述第一预测值至服务端。
[0009]本申请第二方面实施例提供一种动设备故障诊断方法，所述方法应用于服务端，所述服务端包括第二模型，其中，所述方法包括以下步骤：获取第二数据集和第二公开验证集；利用所述第二数据集和所述第二公开验证集对所述第二模型进行训练，挖掘所述第二公开验证集的第二难样本，下发所述第二难样本和第二预测值至任意客户端，并接收所述任意客户端在训练第一模型过程中的第一预测值和挖掘的第一难样本；基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断所述任意参与方的动设备故障。。
[0010]可选地，所述挖掘所述第二公开验证集的第二难样本，包括：获取所述第二在公开验证集上的第二预测值和第二真实标签；遍历所述第二在公开验证集的所有样本，若所述第二预测值和第二真实标签的差值大于第二阈值，则对应样本的索引添加到难样本索引集合中，直到遍历完成，得到所述第二难样本。
[0011]可选地，所述第二难样本包括多个特征图，所述下发所述第二难样本和第二预测值至任意客户端，包括：从所述第二难样本中选择满足第二预设条件的特征图；量化压缩满足第二预设条件的特征图，得到第二压缩特征图，下发所述第二压缩特征图和所述第二预测值至任意客户端。
[0012]本申请第三方面实施例提供一种动设备故障诊断装置，所述装置应用于客户端，所述客户端包括第一模型，其中，所述装置包括：第一获取模块，用于获取第一数据集和第一公开验证集；第一训练模块，用于利用所述第一数据集和所述第一公开验证集对所述第一模型进行训练，挖掘所述第一公开验证集的第一难样本，上传所述第一难样本和第一预测值至服务端，并接收所述服务端在训练第二模型过程中的第二预测值和挖掘的第二难样本；第一蒸馏模块，用于基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断所述任意参与方的动设备故障。
[0013]本申请第四方面实施例提供一种动设备故障诊断装置，所述装置应用于服务端，所述服务端包括第二模型，其中，所述装置包括：第二获取模块，用于获取第二数据集和第二公开验证集；第二训练模块，用于利用所述第二数据集和所述第二公开验证集对所述第二模型进行训练，挖掘所述第二公开验证集的第二难样本，下发所述第二难样本和第二预测值至任意客户端，并接收所述任意客户端在训练第一模型过程中的第一预测值和挖掘的第一难样本；第二蒸馏模块，用于基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断所述任意参与方的动设备故障。
[0014]本申请第五方面实施例提供一种客户端，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的动设备故障诊断方法。
[0015]本申请第六方面实施例提供一种服务端，存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的动设备故障诊断方法。
[0016]由此，本申请至少具有如下有益效果：
[0017]本申请实施例可以将联合学习与知识蒸馏相结合，基于联合知识蒸馏的动设备故障诊断难样本双向挖掘方法，在动设备故障诊断联合双向知识蒸馏过程中，通过先选择服务端/客户端难样本，确定难样本索引，再压缩上传相应的特征图的方式，能够极大地节省通信开销，提升通信效率，避免“坏知识”传播，提升模型整体性能，既保护了数据隐私，节省了成本，同时也支持模型异构。
[0018]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0019]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0020]图1为根据本申请一个实施例提供的动设备故障诊断方法的流程图；
[0021]图2为根据本申请另一个实施例提供的动设备故障诊本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动设备故障诊断方法，其特征在于，所述方法应用于客户端，所述客户端包括第一模型，其中，所述方法包括以下步骤：获取第一数据集和第一公开验证集；利用所述第一数据集和所述第一公开验证集对所述第一模型进行训练，挖掘所述第一公开验证集的第一难样本，上传所述第一难样本和第一预测值至服务端，并接收所述服务端在训练第二模型过程中的第二预测值和挖掘的第二难样本；基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断任意参与方的动设备故障。2.根据权利要求1所述的方法，其特征在于，所述挖掘所述第一公开验证集的第一难样本，包括：获取第一在公开验证集上的第一预测值和第一真实标签；遍历所述第一在公开验证集的所有样本，若所述第一预测值和第一真实标签的差值大于第一阈值，则对应样本的索引添加到难样本索引集合中，直到遍历完成，得到所述第一难样本。3.根据权利要求1或2所述的方法，其特征在于，所述第一难样本包括多个特征图，所述上传所述第一难样本和所述第一预测值至服务端，包括：从所述第一难样本中选择满足第一预设条件的特征图；量化压缩满足第一预设条件的特征图，得到第一压缩特征图，上传所述第一压缩特征图和所述第一预测值至服务端。4.一种动设备故障诊断方法，其特征在于，所述方法应用于服务端，所述服务端包括第二模型，其中，所述方法包括以下步骤：获取第二数据集和第二公开验证集；利用所述第二数据集和所述第二公开验证集对所述第二模型进行训练，挖掘所述第二公开验证集的第二难样本，下发所述第二难样本和第二预测值至任意客户端，并接收所述任意客户端在训练第一模型过程中的第一预测值和挖掘的第一难样本；基于预测值与难样本进行联合双向知识蒸馏直到所述第一模型和所述第二模型均收敛，得到训练完成的联合学习模型，利用所述联合学习模型诊断所述任意参与方的动设备故障。5.根据权利要求4所述的方法，其特征在于，所述挖掘所述第二公开验证集的第二难样本，包括：获取第二在公开验证集上的第二预测值和第二真实标签；遍历所述第二在公开验证集的所有样本，若所述第二预测值和第二真实标签的差值大于第二阈值，则对应样本的索引添加到难样本索引集合中，直到遍历...
【专利技术属性】
技术研发人员：郭盛，陈辉，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。