基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法

1.本公开属于轴承剩余寿命预测技术领域，特别是一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法。


背景技术：

2.滚动轴承是旋转机械的核心部件，在使用过程中由于磨损会产生退化，是最易产生故障的零件之一。针对滚动轴承运行状态进行监测，并开展切实有效的剩余寿命预测研究对于提高机械系统的稳定性至关重要。
3.随着深度学习及传感器技术的飞速发展，基于深层神经网络的滚动轴承剩余寿命预测方法已经取得了显著成效。由于具备强大的非线性映射能力，深层网络可在海量监测数据支持下对高度复杂的轴承退化过程进行拟合，以实现寿命预测。然而，现有的相关模型和训练数据存在以下问题：1)为了提取深层退化特征，现有模型的层数普遍较多，参数量大，推理速度较慢；2)滚动轴承的全寿命数据采集较难，样本较少，存在数据孤岛现象，在传统的方法中，先融合数据再进行模型训练的集中式方法没有考虑多个数据拥有端的隐私保护。
4.在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。


技术实现要素：

5.针对现有技术中的不足，本公开的目的在于提出一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法。本方法在联邦学习下为互不共享的分布式滚动轴承数据搭建寿命预测模型，并配合剪枝策略，使模型成为轻量级结构。
6.为了实现上述目的，本公开提供如下技术方案：
7.一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，包括如下步骤：
8.步骤1，采集滚动轴承全寿命周期的振动信号作为样本；
9.步骤2，将采集到的所述样本中的一部分作为训练集，以单个样本为基本单位，将训练集的样本存储到多个客户端，并对各客户端的训练集的样本进行预处理，获得作为模型输入的序列数据；
10.步骤3，构建滚动轴承剩余寿命预测的全局模型，其包括多尺度特征拓展模块、深度特征提取模块以及预测模块，多尺度特征拓展模块包括全连接层fc1、多尺度卷积层mc1、多尺度卷积层mc2和多尺度卷积层mc3，深度特征提取模块包括卷积层c1、卷积层c2、卷积层c3和卷积层c4，预测模块包括全连接层fc2和回归层；
11.步骤4，在联邦学习框架中，中心服务器与多个客户端协同训练全局模型，基于剪枝策略使全局模型训练成为轻量级预测模型；
12.步骤5，基于所述轻量级全局模型对同类型的滚动轴承进行剩余寿命预测。
13.所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，预处理包
括对振动信号进行快速傅里叶变换得到其频域幅值信号，再对频域幅值进行归一化处理，之后以1024个数据点为准，将所得序列分割为多个短序列作为序列数据。
14.所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，所述步骤4包括：
15.步骤4-1)设置联邦学习中的最大通信轮数n
round
，剪枝的特征个数ε，初始预测模型β0；
16.步骤4-2)中心服务器将初始预测模型β0下发给所有客户端；
17.步骤4-3)在每轮的通信迭代中，各个客户端对接收到的模型进行参数更新，并将更新后模型上传至中心服务器，中心服务器对收集到的模型进行聚合形成全局模型；
18.步骤4-4)中心服务器下发全局模型至各个客户端，各客户端对全局模型进行评估，标记出此时预测性能最好的客户端k；
19.步骤4-5)在客户端k上，剪枝掉深度特征提取模块中的ε个输出特征，后将剪枝后模型上传至中心服务器，中心服务器再将其下发给所有客户端；
20.步骤4-6)重复执行步骤4-3)至步骤4-5)步骤，当步骤4-4)中全局模型的预测表现开始下降时，或者通信迭代轮数达到n
round
时，模型训练过程结束。
21.所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，步骤4-3)中各个客户端对接收到的模型进行参数更新的方法为：
22.客户端i(i＝1，2，...，m)使用随机梯度下降算法对接收到的模型参数进行更新，即：
[0023][0024]
式中，左侧βi(t)为第t轮时客户端i更新后的模型参数，δ为各客户端学习率，为损失函数。
[0025]
所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，步骤4-3)中心服务器对收集到的模型进行聚合方法为：
[0026]
中心服务器使用联邦平均算法对收集到的所有客户端模型参数进行聚合，即：
[0027]
式中，βg(t)为第t轮时由多个客户端模型参数聚合而来的全局模型，m为客户端的数量。
[0028]
所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，步骤4-4)中各客户端对全局模型进行评估的方法为：
[0029]
采用均方根误差(rmse)对全局模型预测性能进行定量评估，其计算公式为：
[0030][0031]
式中，rulj和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上输入序列数据的总数。
[0032]
所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法中，步骤4-5)中剪枝掉所述深度特征提取模块中的ε个输出特征的步骤包括：
[0033]
步骤4-5-1)在客户端k上，利用本地数据对此时全局模型进行一次参数更新，记录
所述深度特征提取模块的所有输出特征，以及各层网络激活函数对每个输出特征的梯度；
[0034]
步骤4-5-2)对于第q个输出特征hq来说，其重要度为其所在层激活函数c对该特征的梯度和该输出特征hq乘积的绝对值，即计算出所有输出特征的重要度；
[0035]
步骤4-5-3)对深度特征提取模块中所有输出特征的重要度进行排序，并剪枝掉重要度最小的ε个输出特征。
[0036]
与现有技术相比，本公开带来的有益效果为：
[0037]
本发明通过联邦学习技术为互不共享的分布式数据搭建预测模型，大大提高了各客户端数据的安全性，且解决了寿命预测研究中的数据孤岛问题；本发明构建的多尺度特征拓展模块可对输入信号的特征进行有效拓展，为后续深层特征的提取以及特征的回归提供了足够的基础特征，提升了模型的预测精度；本发明通过剪枝操作去掉了深度特征提取模块中一些不重要的输出特征，使该模块变得轻量化，提高了预测模型的推理速度。
附图说明
[0038]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0039]
在附图中：
[0040]
图1是本公开一个实施例提供的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法的流程图；
[0041]
图2是本公开一个实施例提供的预测模型的结构图；
[0042]
图3是本公开一个实施例提供的联邦学习下模型训练的整体架构图；
[0043]
图4是本公开一个实施例提供的在测试数据上的预测结果图。
[0044]
以下结合附图和实施例对本发明作进一步解释。
具体实施方式
[0045]
下面将参照附图1至图4更详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0046]
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
[0047]
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
[0048]
为了更好地理解，如图1至图4所示，一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法包括以下步骤：
[0049]
1)数据采集：采集多个滚动轴承全寿命周期的振动信号；
[0050]
2)数据划分、存储及预处理：将采集到的多个样本划分为训练集和测试集，再以单个样本为基本单位，将训练集的样本数据存储到多个客户端，并对各客户端以及测试部分的原始数据进行预处理操作，得到可作为模型输入的序列数据；
[0051]
3)模型构建：构建包含多尺度特征拓展模块、深度特征提取模块以及预测模块的滚动轴承寿命预测模型；
[0052]
4)模型训练：在联邦学习框架中，中心服务器与多个客户端协同训练全局模型，搭配剪枝策略，使全局模型在不失精度前提下成为轻量级预测模型。
[0053]
5)模型预测：利用得到的轻量级全局模型对测试集数据进行剩余寿命预测。测试发现，所述轻量级预测模型很好的对同类型滚动轴承进行了剩余寿命预测。详见后文数据。
[0054]
在一个实施例中，所述预测模型的多尺度特征拓展模块包括全连接层fc1、多尺度卷积层mc1、多尺度卷积层mc2、多尺度卷积层mc3，深度特征提取模块包括卷积层c1、卷积层c2、卷积层c3、卷积层c4，预测模块包括全连接层fc2和回归层。
[0055]
在一个实施例中，所述步骤4)中搭建轻量级预测模型的分步骤为：
[0056]
4-1)设置联邦学习中的最大通信轮数n
round
，剪枝的特征个数ε，初始模型β0；
[0057]
4-2)中心服务器将初始预测模型β0下发给所有客户端；
[0058]
4-3)在每轮的通信迭代中，各个客户端对接收到的模型进行参数更新，并将更新后模型上传至中心服务器，中心服务器对收集到的模型进行聚合形成全局模型；
[0059]
4-4)中心服务器下发全局模型至各个客户端，各客户端对全局模型进行评估，标记出此时表现最好的客户端k；
[0060]
4-5)在客户端k上，剪枝掉预测模型深度特征提取模块中的ε个输出特征，后将剪枝后模型上传至中心服务器，中心服务器再将其下发给所有客户端；
[0061]
4-6)重复执行4-3)至4-5)步骤，当4-4)步骤中全局模型的预测表现开始下降时，或者通信迭代轮数达到n
round
时，模型训练过程结束；
[0062]
进一步地，所述步骤4-3)中各个客户端对接收到的模型进行参数更新的方法为：
[0063]
客户端i(i＝1，2，...，m)使用本地数据在梯度下降法下对接收到的模型进行参数更新，即：
[0064][0065]
式中，左侧βi(t)为第t轮时客户端i更新后的模型参数，δ为各客户端学习率，为损失函数。
[0066]
进一步地，所述步骤4-3)中中心服务器对所有模型参数进行聚合方法为：
[0067]
中心服务器使用联邦平均算法对接收到的所有客户端模型参数进行聚合，即：
[0068][0069]
式中，βg(t)为第t轮时由多个客户端模型参数聚合而来的全局模型，m为客户端的数量。
[0070]
进一步地，所述步骤4-4)中各客户端对全局模型进行评估的方法为：
[0071]
采用均方根误差(rmse)作为评估指标对模型的预测性能进行定量表征，其计算公式为：
[0072][0073]
式中，rulj和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上的总序列个数，rmse值越小，模型的预测性能越好。
[0074]
进一步地，步骤4-5)中剪枝掉预测模型深度特征提取模块中的ε个输出特征的分步骤为：
[0075]
4-5-1)在客户端k上，利用本地数据对此时预测模型进行一次更新，记录模型深度特征提取模块上四个卷积层的所有输出特征，以及各层网络激活函数对每个输出特征的梯度；
[0076]
4-5-2)对于第q个输出特征hq来说，其重要度为其所在层激活函数c对该特征的梯度和该输出特征hq乘积的绝对值，即计算出所有输出特征的重要度；
[0077]
4-5-3)对深度特征提取模块中所有输出特征的重要度进行排序，并剪枝重要度最小的ε个输出特征。
[0078]
一个实施例中，一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，主要包括以下步骤：
[0079]
1)数据采集：采集滚动轴承全寿命周期的振动信号。
[0080]
在该实施例中，可以通过加速度传感器来采集所述滚动轴承在运行过程中的振动信号。其中，所述振动信号的方向包括水平和竖直方向，采样频率为25.6khz，采样持续时间为1.28秒，采样间隔为60秒。
[0081]
2)数据划分、存储及预处理：将采集到的多个样本划分为训练集和测试集，再以单个样本为基本单位，将训练集的样本数据存储到多个客户端，并对各客户端以及测试部分的原始数据进行预处理，得到可作为模型输入的序列数据；
[0082]
在该实施例中，预处理操作包含对原始信号进行快速傅里叶变换得到其频域幅值信号，再对频域幅值进行归一化处理，之后以1024个数据点为准，将所得序列分割为多个短序列作为预测模型的输入。
[0083]
3)模型构建：构建包含多尺度特征拓展模块、深度特征提取模块以及预测模块的滚动轴承寿命预测模型。
[0084]
在该实施例中，构建的预测模型的结构如图2所示，多尺度特征拓展模块包括全连接层fc1、多尺度卷积层mc1、多尺度卷积层mc2、多尺度卷积层mc3，“转换”操作将fc1层输出转换成通道数为64，形状为32
×
1的特征，“按通道连接”的操作将三个多尺度卷积的输出沿通道方向进行堆叠，形成通道数为96的特征；深度特征提取模块包括四个一维卷积层，分别为卷积层c1、卷积层c2、卷积层c3、卷积层c4，“展平”操作将c4层输出扁平化为一维数组；预测模块包括全连接层fc2和回归层，回归层输出寿命预测的结果，所有层均采用tanh激活函数，全连接层dropout为0.5。预测模型各模块的结构及参数如表1所示。
[0085]
表1全局模型各模块的结构及参数
[0086][0087]
4)模型训练：在联邦学习框架中，中心服务器联合多个客户端为其存储的本地数据建立全局模型，配合剪枝策略，使全局模型在不失精度前提下成为轻量级预测模型。
[0088]
在该实施例中，联邦学习下模型训练的整体架构如图3所示，设置客户端的总数量m＝3。
[0089]
进一步地，所述步骤4)中搭建轻量级预测模型的分步骤为：
[0090]
4-1)设置联邦学习中的最大通信轮数n
round
＝10，剪枝的特征个数ε＝5，具有随机化参数的初始模型β0；
[0091]
4-2)中心服务器将初始模型β0下发给所有客户端；
[0092]
4-3)在每轮的通信迭代中，各个客户端对接收到的模型进行更新，并将更新后模型上传至中心服务器，中心服务器对所有模型进行聚合，形成全局模型；
[0093]
进一步地，所述步骤4-3)中各个客户端对接收到的模型进行更新的方法为：
[0094]
客户端i(i＝1，2，...，m)使用随机梯度下降法，利用其本地预处理数据对接收到的模型参数采用adam优化算法进行更新，即：
[0095][0096]
式中，左侧βi(t)为第t轮时客户端i更新后的模型参数，各客户端学习率δ＝0.001，损失函数为均方误差(mse)，其计算公式为：
[0097][0098]
rulj和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上的输入序列总数。
[0099]
进一步地，在所述步骤4-3)中，中心服务器对所有模型进行聚合方法为：
[0100]
中心服务器使用联邦平均算法对所有客户端模型参数进行聚合，即
[0101][0102]
式中，βg(t)为第t轮时由多个客户端模型参数聚合而来的全局模型，m＝3为客户端的数量。
[0103]
4-4)中心服务器下发全局模型至各个客户端，各客户端对全局模型进行评估，标记出此时表现最好的客户端k；
[0104]
进一步地，所述步骤4-4)中各客户端利用对全局模型进行评估的方法为：
[0105]
采用均方根误差(rmse)作为评估指标对模型的预测性能进行定量表征，其计算公
式为：
[0106][0107]
式中，rulj和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上的总序列个数，rmse值越小，模型的预测性能越好。
[0108]
4-5)在客户端k上，剪枝预测模型的深度特征提取模块中的ε＝5个输出特征，后将剪枝后模型上传至中心服务器，中心服务器再将其下发给所有客户端；
[0109]
进一步地，步骤4-5)中剪枝掉预测模型深度特征提取模块中的ε个输出特征的分步骤为：
[0110]
4-5-1)在客户端k上，利用本地数据对此时预测模型进行一次更新，记录模型深度特征提取模块上四个卷积层的所有输出特征，以及各层网络激活函数对每个输出特征的梯度；
[0111]
4-5-2)对于第q个输出特征hq来说，其重要度为其所在层激活函数c对该特征的梯度和该输出特征hq乘积的绝对值，即计算出所有输出特征的重要度；
[0112]
4-5-3)对深度特征提取模块中所有输出特征的重要度进行排序，并剪枝重要度最小的ε个输出特征。
[0113]
4-6)重复执行4-3)至4-5)步骤，当4-4)步骤中全局模型的预测表现开始下降时，或者通信迭代轮数达到n
round
＝10时，模型训练过程结束。
[0114]
5)模型预测：利用最终得到的轻量级全局模型对测试数据进行剩余使用寿命预测，结果如下：
[0115]
在该实施例中，将本发明方法在xjtu-sy滚动轴承加速寿命实验数据集的工况2数据集上进行实验，该工况下有5个滚动轴承的全寿命数据，轴承2_1、轴承2_2、轴承2_3、轴承2_5经预处理后分别得到720、2400、4080、4000个长度为1024个数据点的输入序列，将前三组序列数据分别放入3个客户端作为训练集进行模型训练，轴承25进行模型预测，采用rmse和mae两个指标对模型预测性能进行评估，其中mae的计算公式如下：
[0116][0117]
式中，rulj和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上的总序列个数。指标的值越小，模型的预测性能越好。
[0118]
将本发明的模型训练方法与传统联邦平均(federated averaging，简称fedavg)训练方法进行对比分析，结果如表2所示。可看出使用本发明训练方法所得模型的rmse比fedavg提高约22.32％，mae提高约16.87％，这是因为使用剪枝操作降低了模型的复杂度，增加了模型的饱和度，防止了模型的过拟合。图4是本发明所提方法在测试数据上的预测结果图，可看出预测模型能够准确追踪滚动轴承的退化趋势。
[0119]
表2本发明中的训练方法与fedavg方法的结果对比
[0120]
训练方法rmsemae本发明0.0870.069
fedavg0.1120.083
[0121]
将本发明方法所构建的模型结构与无多尺度特征拓展模块的模型结构进行对比分析，结果如表3所示。可看出多尺度特征拓展模块的使用可使模型的预测性能显著提高，rmse提高约37.41％，mae提高约45.67％，说明多尺度特征拓展模块对于整个模型结构来说至关重要，它所拓展的基础特征对于后续的深度特征提取模块及预测模块都起到了积极作用，有利于模型的精准预测。
[0122]
表3本发明所提模型结构与无多尺度特征拓展模块的模型结构的结果对比
[0123]
模型结构rmsemae本发明0.0870.069无多尺度特征拓展模块0.1390.127
[0124]
将本发明方法所得到的轻量级全局模型与剪枝前模型进行对比分析，结果如表4所示。剪枝操作剪除了约57.80％的深度特征提取模块参数，所得轻量级模型的推理时间缩短了13.53％。在历经多次剪枝与更新后，预测模型的评价参数有了显著提高，进一步证明了本发明的有效性。
[0125]
表4本发明所提方法中模型在剪枝前后的结果对比
[0126] 深度特征提取模块参数量模型推理时间rmsemae剪枝前173kb0.776s0.4540.461剪枝后73kb0.671s0.0870.069
[0127]
综上所述，借助于本发明的上述技术方案，将分布于多个客户端的数据以“数据不动模型动”的联邦学习方式进行模型训练，搭配剪枝策略，得到适用于滚动轴承的轻量级寿命预测模型。所得模型具备良好的预测性能及推理速度，建模过程保障了分布式数据的安全性，能够用于同类型滚动轴承的剩余寿命预测。
[0128]
尽管以上结合附图对本公开的实施方案进行了描述，但本公开并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

技术特征：
1.一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：步骤1，采集滚动轴承全寿命周期的振动信号作为样本；步骤2，将采集到的所述样本中的一部分作为训练集，以单个样本为基本单位，将训练集的样本存储到多个客户端，并对各客户端的训练集的样本进行预处理，获得作为模型输入的序列数据；步骤3，构建滚动轴承剩余寿命预测的全局模型，其包括多尺度特征拓展模块、深度特征提取模块以及预测模块，多尺度特征拓展模块包括全连接层fc1、多尺度卷积层mc1、多尺度卷积层mc2和多尺度卷积层mc3，深度特征提取模块包括卷积层c1、卷积层c2、卷积层c3和卷积层c4，预测模块包括全连接层fc2和回归层；步骤4，在联邦学习框架中，中心服务器与多个客户端协同训练全局模型，基于剪枝策略使全局模型训练成为轻量级预测模型；步骤5，基于所述轻量级全局模型对同类型的滚动轴承进行剩余寿命预测。2.根据权利要求1所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，优选的，预处理包括对振动信号进行快速傅里叶变换得到其频域幅值信号，再对频域幅值进行归一化处理，之后以1024个数据点为准，将所得序列分割为多个短序列作为序列数据。3.根据权利要求1所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，所述步骤4包括：步骤4-1)设置联邦学习中的最大通信轮数n
round
，剪枝的特征个数ε，初始预测模型β0；步骤4-2)中心服务器将初始预测模型β0下发给所有客户端；步骤4-3)在每轮的通信迭代中，各个客户端对接收到的模型进行参数更新，并将更新后模型上传至中心服务器，中心服务器对收集到的模型进行聚合形成全局模型；步骤4-4)中心服务器下发全局模型至各个客户端，各客户端对全局模型进行评估，标记出此时预测性能最好的客户端k；步骤4-5)在客户端k上，剪枝掉深度特征提取模块中的ε个输出特征，后将剪枝后模型上传至中心服务器，中心服务器再将其下发给所有客户端；步骤4-6)重复执行步骤4-3)至步骤4-5)步骤，当步骤4-4)中全局模型的预测表现开始下降时，或者通信迭代轮数达到n
round
时，模型训练过程结束。4.根据权利要求3所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，步骤4-3)中各个客户端对接收到的模型进行参数更新的方法为：客户端i(i＝1，2，...，m)使用随机梯度下降算法对接收到的模型参数进行更新，即：式中，左侧β
i
(t)为第t轮时客户端i更新后的模型参数，δ为各客户端学习率，为损失函数。5.根据权利要求3所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，步骤4-3)中心服务器对收集到的模型进行聚合方法为：中心服务器使用联邦平均算法对收集到的所有客户端模型参数进行聚合，即：
式中，β
g
(t)为第t轮时由多个客户端模型参数聚合而来的全局模型，m为客户端的数量。6.根据权利要求3所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，步骤4-4)中各客户端对全局模型进行评估的方法为：采用均方根误差(rmse)对全局模型预测性能进行定量评估，其计算公式为：式中，rul
j
和分别为第j个输入序列数据的真实寿命及预测寿命，z为一个客户端上输入序列数据的总数。7.根据权利要求3所述的一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，其特征在于，步骤4-5)中剪枝掉所述深度特征提取模块中的ε个输出特征的步骤包括：步骤4-5-1)在客户端k上，利用本地数据对此时全局模型进行一次参数更新，记录所述深度特征提取模块的所有输出特征，以及各层网络激活函数对每个输出特征的梯度；步骤4-5-2)对于第q个输出特征h
q
来说，其重要度为其所在层激活函数c对该特征的梯度和该输出特征h
q
乘积的绝对值，即计算出所有输出特征的重要度；步骤4-5-3)对深度特征提取模块中所有输出特征的重要度进行排序，并剪枝掉重要度最小的ε个输出特征。

技术总结
公开了一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，步骤为：采集滚动轴承全寿命周期的振动信号；将获取到的样本进行划分、存储和预处理，得到可作为模型输入的序列数据；构建包含多尺度特征拓展模块、深度特征提取模块以及预测模块的预测模型；在联邦学习框架中，使用中心服务器与多个客户端协同训练预测模型，搭配剪枝策略，让模型结构变得轻量化；利用最终得到的轻量级模型进行滚动轴承剩余使用寿命的预测。本发明通过联邦学习为互不共享的分布式数据搭建预测模型，大大提高了各客户端数据的安全性，配合剪枝操作，有效提高了模型的预测效果及推理速度。高了模型的预测效果及推理速度。高了模型的预测效果及推理速度。


技术研发人员：严如强 陈曦 孙文珺 孙闯 王诗彬 陈雪峰
受保护的技术使用者：西安交通大学
技术研发日：2023.04.14
技术公布日：2023/8/1