基于联邦学习预训练的电梯轴承零部件剩余使用寿命预测方法

本发明涉及联剩余使用寿命预测，具体涉及一种基于联邦学习预训练的电梯轴承零部件剩余使用寿命预测方法。

背景技术：

1、随着数字技术的发展和人工智能的不断进步，联邦学习因其可以解决“数据孤岛”问题而被广泛应用于诸多领域。与此同时，伴随着城市现代化建设，电梯成为人们日常生活中不可或缺的承运设备，其运行状态是否可靠深受乘客、生产厂商、研究机构的关注。由于电梯是一个复杂的集成系统，基于机理模型来预测其相关零部件的剩余使用寿命过程复杂，建立一个精确有效的机理模型的可行性不高，很难应用到实际预测过程中。在此背景下，基于数据驱动与深度神经网络相结合的模型成为主流方法被广泛研究。目前，主流的基于数据驱动的剩余使用寿命预测方法通过把退化过程看作是健康状态与监测数据间的功能联系，引入机器学习算法和其他智能技术来表征轴承的退化行为。在这类方法中，可以利用传感器提供的各种类型的数据(如振动和声学信号、温度、压力、电流或电压)来建立预测模型，其中由于振动信号变化能直观地反映轴承工作状态，因此基于振动信号预测技术被广泛用于轴承剩余使用寿命预测中。然而，现有方法在训练过程中存在如下明显的不足：a)由于电梯设备使用工况较为复杂多变，轴承在相同运行条件下的参考样本严重匮乏，加大剩余寿命预测建模难度。b)虽然同时有很多其他电梯设备的参考样本可借鉴，可以考虑通过联邦学习解决上述问题，但如果数据集中的数据点分布不均匀，使用联邦平均算法来计算模型参数的平均值可能会产生更大的误差，甚至可能会降低模型性能。因此，设计一种新型有效的振动信号时频特征提取方法，对提高电梯轴承部件剩余使用寿命预测精度具有重要意义。

技术实现思路

1、为了在同一电梯设备轴承零部件振动信号数据匮乏而不同电梯设备轴承零部件振动信号数据丰富的背景下提高预测精度，本发明提出了一种基于联邦学习预训练的电梯轴承零部件剩余使用寿命预测方法，构建轴承输出剩余使用寿命预测模型对振动信号特征进行回归预测，以提高电梯轴承零部件剩余使用寿命预测精度。

2、为达到上述效果，本发明采用的技术方案如下：

3、一种基于联邦学习预训练的电梯轴承零部件剩余使用寿命预测方法，包括以下步骤：

4、步骤1：传感器采集电梯轴承零部件振动信号，将每次采集到振动信号进行归一化，将归一化后的数据作为深度神经网络的输入，以剩余使用寿命百分比作为数据标签；

5、步骤2：根据设备来源划分本地端数据集，来源于同一电梯设备的轴承数据划分到同一本地端，来源于不同电梯设备的数据集划分到不同本地端；

6、步骤3：本地训练，各本地端在本地先利用空间特征提取模块对输入的数据进行特征提取，将进行特征提取后的数据输入时序特征提取模块，最后输入回归决策模块进行预测，训练一定轮次后将网络参数上传至中心服务器；

7、步骤4：在中心服务器中通过加权平均的方法聚合各本地端上传的参数，生成全局模型，再将全局模型下发至各本地端；

8、步骤5：重复步骤3和步骤4至一定轮次后联邦训练结束，得到最终的全局模型作为各本地端的预训练模型，各本地端在预训练模型的基础上继续进行本地训练，得到最终本地模型；

9、步骤6：调用训练好的神经网络模型来进行电梯轴承零部件剩余使用寿命预测。

10、步骤1中，定义剩余使用寿命百分比αi计算公式如下：

11、

12、其中，t0、tn分别为传感器开始采集轴承振动信号的时刻和轴承完全损耗的时刻；ti为第i个采样周期对应的时刻；n指的是总采样次数；αi的取值范围为[0,1]；t0时刻对应的α0取值为0，tn时刻对应的αn取值为1。

13、3.如权利要求1所述的联邦学习预训练的电梯轴承零部件剩余使用寿命预测方法，其特征在于，步骤3中，各本地端获得步骤2划分好的样本后构建本地模型进行训练。本地网络模型由空间特征提取模块、时序特征提取模块、回归决策模块组成。

14、空间特征提取模块包含四层卷积神经网络层，该网络结构主要作用是采用局部连接和权值共享的方式，对归一化后输入的振动信号进行更高层次的抽象处理，从而提取出其中隐含的特征。本发明将归一化后的轴承振动信号视为一维信号，并采用一维卷积的方法提取其中的信息。时序特征提取模块包含两层长短期记忆(lstm)网络层，用于学习电梯轴承振动信号中的时间依赖关系。

15、回归决策模块包含全连接层和输出层。全连接层的主要作用就是将前层(卷积、池化等层)计算得到的信息归纳用于完成回归任务；输出层的输出结果是剩余寿命百分比。将均方误差差lmse作为损失函数度量模型性能。其计算公式如下：

16、

17、其中，yk表示第k个标签的真实值，表示第k个标签的预测值，n表示标签总个数。均方误差值lmse的最小值为0，越接近0表示模型性能越好。考虑到电梯轴承剩余使用寿命预测场景下的实际需求，很有可能造成过拟合，本发明设定了一个提前停止的法则，用于步骤4的动态聚合。规则为：训练过程中，原设定网络迭代次数为e，但若损失函数连续p个迭代次数后没有下降过，则模型提前停止训练，保存损失函数最低时的模型为本地模型；否则，一直迭代e次才得到本地模型。最终保存的模型为损失函数最低时的迭代次数对应的模型。

18、步骤4中，本地端进行本地训练得到各自本地模型后上传模型参数至中心服务器，中心服务器根据各本地端数据量大小对模型参数进行加权聚合，得到全局模型。加权聚合的公式如下：

19、

20、其中，表示第i个本地端进行第t次本地更新后的模型参数，wt为中心服务器第t次加权聚合后得到的全局模型参数；qi为第i个本地端的样本数量，q为所有本地端样本数量的总和。

21、步骤5中，按照数据量加权平均各本地模型损失函数作为全局损失函数用于评估聚合后全局模型的性能。考虑到各客户端数据是非独立同分布的，加权平均聚合过多次数反而容易使模型性能更差，因此本发明对聚合过程中也提出了提前停止法则，规则如下：原设定中心服务器聚合次数为e，但若全局损失函数连续p次聚合后都没有下降过，提前停止聚合得到全局最优模型，此最优全局模型则作为预训练模型；否则，中心服务器下发全局模型的参数回本地端，各本地端在下发后模型参数的基础上继续训练迭代得到新的本地模型，中心服务器得到新的全局模型，直至e次聚合结束，得到最优全局模型。最终保存的模型为全局损失函数最低时的聚合次数对应的模型。

22、得到预训练模型后，各本地端以预训练模型参数为初始参数各自在本地进行微调训练，固定卷积神经网络和长短期记忆网络的参数权重，仅更新全连接层的参数权重。训练过程中，原设定网络迭代次数为e′，但若损失函数连续p′个迭代次数后没有下降过，则模型提前停止训练，保存损失函数最低时的模型为最终本地模型；否则，一直迭代e′次才得到本地模型。最终保存的模型为损失函数最低时的迭代次数对应的模型。最终本地模型指本地模型1*至本地模型n*。

23、步骤6中，调用设备对应的最终本地模型来进行电梯轴承零部件剩余使用寿命预测，最终得到结果标签α，预测出的剩余使用寿命rul为：

24、

25、其中，tn′指的需要预测剩余使用寿命的时刻,t0为传感器开始采集轴承振动信号的时刻。

26、与现有技术相比，本发明的有益效果主要体现在：

27、本发明提出了一种联邦学习预训练和深度神经网络的电梯轴承零部件剩余使用寿命预测方法；采集电梯轴承零部件振动信号，并进行相关的数据预处理操作以构造样本集合；按照设备来源划分各本地端数据，将构造好的样本集合输入本地端的神经网络模型进行预测；然后，在本地端和中心服务器端之间进行联邦学习，将联邦学习后训练得到的模型作为预训练模型，下发至各本地端，各本地端继续在本地进行训练，用于预测电梯轴承零部件的剩余使用寿命。本发明采用联邦学习的理念对模型进行预训练，本地端在预训练模型的基础上进行微调继续训练，并在本地训练和中心服务器聚合阶段都采用提前停止法则以避免过拟合，使得本方法可以解决同一电梯设备采集到的轴承零部件相关数据量少而不同设备相关数据量多的问题，各设备在预测轴承零部件剩余使用寿命时调用合适的本地模型，能够有效提高预测精度。本发明在保护用户隐私的前提下，将各本地端的信息聚集利用起来，能够良好地辅助电梯轴承零部件的剩余使用寿命预测。