公开(公告)号：CN117148143A

公开(公告)日：2023-12-01

申请号：CN202311129549.6

申请日：2023-09-01

Applicant: 上海电机学院

Inventor： 杨俊琦 ,  李皎洁 ,  郭农普

IPC: G01R31/34

Abstract: 本发明公开了一种基于改进聚合联邦学习的电机故障诊断方法，包括以下步骤：S1：初始模型分发与参数初始化：服务器向各客户端分发初始训练模型，并初始化模型参数，确保基础模型一致性；S2：本地数据集驱动训练：各客户端使用自身数据集进行本地模型训练，利用本地数据的特点增强模型的个性化学习，得到具有本地数据集相关特征的深度学习模型；S3：参数更新与上传：客户端将经过本地训练后的模型参数上传至服务器，实时传递每次训练的成果。引入评价体系、数据量权重和自适应权重修正，使得高质量数据集的参与方更有影响力，降低了恶意参与者的影响，提高了联邦学习的整体效果和安全性。

公开(公告)号：CN117237737A

公开(公告)日：2023-12-15

申请号：CN202311306579.X

申请日：2023-10-09

Applicant: 上海电机学院

Inventor： 郭农普 ,  李皎洁 ,  杨俊琦

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V20/17 ,  G06V10/20 ,  G06N20/20

Abstract: 本发明公开了基于集成联邦学习的风电机组表面损伤类型分类的方法，包括以下步骤：步骤一：使用无人机来拍摄的风电机组表面损伤图片；步骤二：对风电机组表面损伤图片进行预处理操作；步骤三：使用基于集成联邦学习算法搭建分类模型，并借助数据集进行训练至满意的精度；步骤四：使用该模型对测试集风电机组损伤型进行精确分类。运用联邦学习可以实现多家风电机组运维公司不共享数据的情况下依然可以以较高的准确率对风电机组表面损伤类型进行分类，联邦学习采用分布式方式进行协同训练，通过中心服务器的协调，不同的客户端之间能够实现联合建模。可以保证该算法有一定的安全性。以此我们在联邦学习中加入集成学习的思想。