基于联合学习的涡轮风机维护方法和装置

343 编辑：管理员来源：新智数字科技有限公司

2024-05-21 09:09:38

权利要求书： 1.一种基于联合学习的涡轮风机维护方法，其特征在于，执行主体为联合学习的客户端，包括：

接收在联合学习架构下服务器端下发的全局模型；

获取涡轮风机的历史运行数据，将所述历史运行数据输入NASA仿真软件生成用于训练所述全局模型的样本数据；

利用所述样本数据训练所述全局模型，并更新本地的局部模型；

如果所述局部模型达到预设收敛条件，则创建用于所述涡轮风机预测维护的模型，并利用所述模型对涡轮风机进行预测维护；

执行主体为联合学习的服务器端，包括：接收客户端上传的局部模型；

对局部模型进行聚合，更新全局模型，以使所述客户端对所述更新全局模型进行训练创建用于所述涡轮风机预测维护的模型；

根据所述更新全局模型的更新结果，确定下一次所述全局模型更新时间，其中，所述更新结果包含更新是否成功信息和更新的属性信息；

其中，所述接收客户端上传的局部模型，包括：检测局部模型目录，并得到检测结果；

根据所述检测结果，判断是否产生新的局部模型；若是，则接收所述新的局部模型；若否，则返回检测局部模型目录。

2.根据权利要求1所述的基于联合学习的涡轮风机维护方法，其特征在于，所述历史运行数据包括：涡轮风机的温度、涡轮风机的压力和/或涡轮风机的转速。

3.一种用于执行权利要求1或2所述方法的基于联合学习的涡轮风机维护装置，其特征在于，包括：

全局模型接收模块，用于接收在联合学习架构下服务器端下发的全局模型；

样本数据生成模块，用于获取涡轮风机的历史运行数据，生成用于训练所述全局模型的样本数据；

全局模型训练模块，用于利用所述样本数据训练所述全局模型，并更新本地的局部模型；

风机预测维护模块，用于如果所述局部模型达到预设收敛条件，则创建用于所述涡轮风机预测维护的模型，并利用所述模型对涡轮风机进行预测维护，其中，所述预设收敛条件为预设的迭代更新次数或预设的模型准确度。

4.一种用于执行权利要求1或2所述方法的基于联合学习的涡轮风机维护装置，其特征在于，包括：

模型接收模块，用于接收客户端上传的局部模型；

模型聚合模块，用于对局部模型进行聚合，更新全局模型，以使所述客户端对所述更新全局模型进行训练创建用于所述涡轮风机预测维护的模型；

迭代更新模块，用于根据所述更新全局模型的更新结果，确定下一次所述全局模型更新时间，其中，所述更新结果包含更新是否成功信息和更新的属性信息；

其中，所述模型接收模块，具体包括：目录检查单元，用于检测局部模型目录，并得到检测结果；

模型接收单元，用于根据所述检测结果，判断是否产生新的局部模型；若是，则接收所述新的局部模型；若否，则返回检测局部模型目录。

5.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1或2所述方法的步骤。

6.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述方法的步骤。

说明书：基于联合学习的涡轮风机维护方法和装置技术领域[0001] 本发明属于能源技术领域，尤其涉及一种基于联合学习的涡轮风机维护方法和装置。

背景技术[0002] 涡轮风机维护目前多以“被动式运维”，主要依靠现场工作人员进行定期维护和故障检修，这种单纯依靠工人进行蹲点维护，运维成本极高，也容易出现由于工作人员水平不

一致导致发电损失甚至运行安全问题。

[0003] 现有技术中也有利用机器学习算法来建立预测模型，对涡轮风机进行预测维护。不过在实验中发现利用涡轮风机运行特征数据建立的预测模型的质量并不高。因此，如何

进一步提高涡轮风机维护模型的准确度，以保障风机运维的准确性和效率，是当前的一个

技术难题。

发明内容[0004] 有鉴于此，本发明实施例提供了一种基于联合学习的涡轮风机维护方法和装置，以解决效率涡轮风机运维效率和准确度不高的问题。

[0005] 本发明第一方面，提供了一种基于联合学习的涡轮风机维护方法，包括：接收在联合学习架构下服务器端下发的全局模型；获取涡轮风机的历史运行数据，生成用于训练所

述全局模型的样本数据；利用所述样本数据训练所述全局模型，并更新本地的局部模型；如

果所述局部模型达到预设收敛条件，则创建用于所述涡轮风机预测维护的模型，并利用所

述模型对涡轮风机进行预测维护。

[0006] 在一些可选方案中，所述历史运行数据包括：涡轮风机的温度、涡轮风机的压力和/或涡轮风机的转速。

[0007] 本发明第二方面，提供了一种基于联合学习的涡轮风机维护方法，其包括：接收客户端上传的局部模型；对局部模型进行聚合，更新全局模型；根据所述更新全局模型的更新

结果，确定下一次所述全局模型更新时间，其中，所述更新结果包含更新是否成功信息和更

新的属性信息。

[0008] 在一些可选方案中，所述接收客户端上传的局部模型，包括：检测局部模型目录，并得到检测结果；根据所述检测结果，接收所述局部模型。

[0009] 本发明的第三方面，提供了一种基于联合学习的涡轮风机维护装置，其包括：全局模型接收模块，用于接收在联合学习架构下服务器端下发的全局模型；样本数据生成模块，

用于获取涡轮风机的历史运行数据，生成用于训练所述全局模型的样本数据；全局模型训

练模块，用于利用所述样本数据训练所述全局模型，并更新本地的局部模型；风机预测维护

模块，用于如果所述局部模型达到预设收敛条件，则创建用于所述涡轮风机预测维护的模

型，并利用所述模型对涡轮风机进行预测维护。

[0010] 在一些可选方案中，所述历史运行数据包括：涡轮风机的温度、涡轮风机的压力和/或涡轮风机的转速。

[0011] 本发明的第四方面，提供了一种基于联合学习的涡轮风机维护装置，其包括：模型接收模块，用于接收客户端上传的局部模型；模型聚合模块，用于对局部模型进行聚合，更

新全局模型；迭代更新模块，用于根据所述更新全局模型的更新结果，确定下一次所述全局

模型更新时间，其中，所述更新结果包含更新是否成功信息和更新的属性信息。

[0012] 在一些可选方案中，所述模型接收模块，具体包括：目录检查单元，用于检测局部模型目录，并得到检测结果；模型接收单元，用于根据所述检测结果，接收所述局部模型。

[0013] 本发明的第五方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如

第一方面和第二方面任一项所述方法的步骤。

[0014] 本发明的第六方面，提供了一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面和第二方面任一项所述方法的步

骤。

[0015] 本发明实施例与现有技术相比存在的有益效果是：本发明通过联合学习架构来实现了对涡轮风机的运维预测模型的训练，针对本地训练的样本数据进行改进，使得训练得

到的模型质量更高，使得运维预测的准确性得以提高；此外，针对服务器端的聚合方式进行

改进，使得预测模型的训练效率得以进一步提高。

附图说明[0016] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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的一些

实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附

图获得其它的附图。

[0017] 图1是可以应用本发明以下实施例的一个联合学习架构；[0018] 图2是本发明在实施例一提供的基于联合学习的涡轮风机维护方法的流程图；[0019] 图3是本发明在实施例三中提供的基于联合学习的涡轮风机维护装置的结构图。具体实施方式[0020] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体

细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电

路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

[0021] 图1为可以应用本发明以下实施例的一个联合学习架构，如图1所示，在该联合学习架构中，包括：服务器101和多个客户端102、103、104，所述多个客户端102、103、104分别

与服务器通信连接。

[0022] 其中，服务器101即为联合学习的信任中心，也称为中央服务器；客户端102、103、104即为联合学习的客户机。一般的，对于客户端的数量可以为K个，K≥2，且为正整数，例

如，图1中的client?1、client?2…client?K。

[0023] 具体的，所述客户端可以具体包括但不限于计算机、服务器、工作站等电子设备。示例性的，所述电子设备，可以具体包括：存储器、处理器以及存储在所述存储器中并可在

所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如下列实施

例一中任一完整方法的步骤。

[0024] 联合学习允许多个用户协作训练共享的全局模型，而无需分享本地设备中的数据，由中央服务器协调完成多轮联合学习以得到最终的全局模型。其中，在每一轮开始时，

中央服务器将当前的全局模型发送给参与联合学习的客户机；每个客户机根据其本地数据

训练所接收到的全局模型，训练完毕后将更新后的模型返回中央服务器；中央服务器收集

到所有客户机返回的更新后，对全局模型进行一次更新，进而结束本轮更新。

[0025] 至此，本发明在以下实施例中，将通过联合学习方法来利用涡轮风机的运维数据进行维护模型的训练改进，以提升风机维护的运维效率和准确性。

[0026] 实施例一[0027] 本实施例将从联合学习架构中的客户端侧来对本发明提供的基于联合学习的涡轮风机维护方法进行说明，即本实施例的执行主体为联合学习的客户端，例如，如由图1所

示的客户端102、103、104来执行本实施例提供的方法。

[0028] 图2为本发明在实施例一提供的基于联合学习的涡轮风机维护方法的流程图，见图2所示，所述基于联合学习的涡轮风机维护方法包括下列步骤S01?S04。

[0029] S101：接收在联合学习架构下服务器端下发的全局模型。[0030] 其中，在被动接收服务器下发的全局模型之外，本步骤还包括主动从服务器端下载全局模型。具体的，所述全局模型包括服务器端初始化的全局模型，例如，在开始联合学

习任务之处下发的全局模型。此外，所述全局模型也包括服务器聚合各个参与联合学习的

涡轮风机所在数据节点上传的局部模型。

[0031] S102：获取涡轮风机的历史运行数据，生成用于训练所述全局模型的样本数据。[0032] 其中，所述历史运行数据包括涡轮风机的温度、涡轮风机的压力、涡轮风机的转速等测点数据。

[0033] 具体的，在获取到以上涡轮风机的运行数据之后，可以将该运行数据输入NASA仿真软件来生成样本数据，这样能够使样本数据与实际运行情况一致，从而使得训练的得到

的模型精度更高。应理解，利用这些数据输入仿真软件可以得到涡轮风机的运行情况，从而

形成高质量的样本数据。

[0034] S103：利用所述样本数据训练所述全局模型，并更新本地的局部模型。[0035] 其中，在联合学习架构下，从服务器端获取的全局模型，是全局模型的中间参数，例如，训练模型的梯度等。因此，在利用所述全局模型对应的参数，在本地利用样本数据进

行训练，在训练过程中会进一步更新模型的参数，即得到本地的局部模型。

[0036] S104：如果所述局部模型达到预设收敛条件，则创建用于所述涡轮风机预测维护的模型，并利用所述模型对涡轮风机进行预测维护。

[0037] 其中，判断是否达到收敛条件可以通过预设的迭代更新次数，即重复上述步骤S101?S103的次数。或者，也可以是预设的模型准确度，例如，在更新所述局部模型之后，判

断所述局部模型是否满足预设的准确度，若是，则确定所述局部模型达到收敛条件。至此，

在本地即可创建用于所述涡轮风机预测维护的模型，并利用所述模型对涡轮风机进行预测

维护。

[0038] 实施例二[0039] 本实施例将从联合学习架构中的服务器侧来对本发明提供的基于联合学习的涡轮风机维护方法进行说明，即本实施例的执行主体为联合学习的服务器端，例如，由图1所

示的服务器101来执行本实施例提供的方法。

[0040] 具体的，本实施例提供的基于联合学习的涡轮风机维护方法，具体包括以下步骤S201?S203。

[0041] 步骤S201：接收客户端上传的局部模型。[0042] 结合以上实施例一可知，所述局部模型是客户端基于服务器下发的全局模型，利用本地数据进行训练后更新产生的局部模型。

[0043] 在一个示例中，上述步骤S201，可以具体包括：[0044] 步骤S211：检测局部模型目录，并得到检测结果；[0045] 步骤S212：根据所述检测结果，接收所述局部模型。[0046] 其中，上述结果具体包括：判断是否产生新的局部模型：若是，则收所述局部模型；若否，则返回检测局部模型目录。

[0047] 其中，所述局部模型目录，即当前参与联合学习的客户端信息。具体的，客户端既可以在开启联合学习任务之前接入服务器进行联合学习；也可以是在联合学习任务开启之

后中途加入联合学习。因此，通过检查局部模型目录，可以确定当前参与联合学习的客户端

的情况，从而判断是否有新的局部模型上传。

[0048] 步骤S202：对局部模型进行聚合，更新全局模型。[0049] 其中，所述聚合可以具体包括对所有上传的局部模型进行均值聚合。[0050] 此外，在结合上述示例的情况下，为了应对系统异构或数据异构的问题，在对局部模型进行聚合时，还可以采用异步联合聚合的方法。示例性的，所述步骤S202可以包括：根

据接收到新上传的局部模型，结合前次聚合后的全局模型进行本次聚合，并更加本次聚合

后的结果更新全局模型。也就是说，本示例不需要等待所有的客户端都上传完局部模型之

后再进行聚合，提高训练的效率。

[0051] 步骤S203：根据所述更新全局模型的更新结果，确定下一次所述全局模型更新时间，其中，所述更新结果包含更新是否成功信息和更新的属性信息。

[0052] 其中，根据所述全局模型更新时间，可以在达到该更新时间时，对接收到的局部模型进行聚合更新。同时，更新的属性信息即更新后的全局模型的中间参数信息，例如，全局

模型的梯度信息。当确定更新结果为更新成功时，即可将所述属性信息下发给各个客户端，

已完成联合学习任务。

[0053] 综上所述，上述实施例一和实施例二通过联合学习架构来实现了对涡轮风机的运维预测模型的训练，针对本地训练的样本数据进行改进，使得训练得到的模型质量更高，使

得运维预测的准确性得以提高；此外，针对服务器端的聚合方式进行改进，使得预测模型的

训练效率得以进一步提高。

[0054] 下面将对本发明上述实施例基于联合学习得到的预测模型，与现有技术中利用深度学习得到的模型进行比较，即利用相同的测试数据对模型进行测试，看两者的测试结果

的准确率。具体实验结果如下表1：

[0055][0056][0057] 表1[0058] 其中，所述用户1、用户2和用户3表示涡轮风机本地的数据处理节点，例如，具体可以为边缘数据处理节点。由上表1可以清楚的看出，本发明的准确率相比于现有技术具有显

著的提高。

[0059] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限

定。

[0060] 实施例三[0061] 在同一发明构思下，本实施例三还提供了与图2所示方法实施例中各个步骤相一一对应的装置。

[0062] 图3为本发明在实施例三中提供的基于联合学习的涡轮风机维护装置的结构图。[0063] 见图3，本实施例提供的基于联合学习的涡轮风机维护装置300，一般设置于客户端，具体包括：全局模型接收模块301，用于接收在联合学习架构下服务器端下发的全局模

型；样本数据生成模块302，用于获取涡轮风机的历史运行数据，生成用于训练所述全局模

型的样本数据；全局模型训练模块303，用于利用所述样本数据训练所述全局模型，并更新

本地的局部模型；风机预测维护模块304，用于如果所述局部模型达到预设收敛条件，则创

建用于所述涡轮风机预测维护的模型，并利用所述模型对涡轮风机进行预测维护。

[0064] 在一些可选方案中，所述历史运行数据包括：涡轮风机的温度、涡轮风机的压力和/或涡轮风机的转速中的至少一种数据。

[0065] 此外，本实施例还提供了一种基于联合学习的涡轮风机维护装置，设置于服务器端，其包括：模型接收模块，用于接收客户端上传的局部模型；模型聚合模块，用于对局部模

型进行聚合，更新全局模型；迭代更新模块，用于根据所述更新全局模型的更新结果，确定

下一次所述全局模型更新时间，其中，所述更新结果包含更新是否成功信息和更新的属性

信息。

[0066] 在一些可选方案中，所述模型接收模块，具体包括：目录检查单元，用于检测局部模型目录，并得到检测结果；模型接收单元，用于根据所述检测结果，接收所述局部模型。

[0067] 在一些可选方案中，所述模型聚合模块，具体用于根据接收到新上传的局部模型，结合前次聚合后的全局模型进行本次聚合，并更加本次聚合后的结果更新全局模型。

[0068] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各

实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改

或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应

包含在本发明的保护范围之内。