本发明涉及机械故障检测领域，具体涉及一种基于联邦学习的智能轴承分布式端边协同故障诊断方法。
背景技术：
1、滚动轴承作为旋转机械的重要部件，主要起到支撑重量和稳定旋转的作用。传统滚动轴承的故障诊断步骤是将振动加速度传感器放置在轴承座或箱体上进行信号采集，再将数据上发至云端完成信号处理、模型推理、故障诊断等操作。然而，受到信号传递路径影响，采集信号的完整性受到大幅削弱。此外，该方法还具有数据传输量大，故障诊断不及时等缺点。智能轴承将微型传感器和控制器嵌入轴承内部，使得轴承本体具有自感知、自调控、自诊断等功能。该结构能够有效提高监测数据信噪比，减小数据传输负担，实现实时的轴承状态监测和故障诊断目标。
2、轨道列车、风机等机械设备通常具有大量的同类型轴承，每个轴承的工作环境不同，导致最终的故障类型截然不同。常规的深度学习模型利用单一对象的故障数据训练后的故障推理能力较好，然而该模型针对其他轴承对象的故障推理能力较弱。此外，目前边缘节点布置的诊断模型通常固定，模型针对时变的振动信号往往具有较差的推理能力。如果节点将故障数据发送云端进行训练后完成模型部署，将面临数据传输效率低、网络环境受限等问题。综上所述，如何利用各节点新增故障样本完成模型分布式的协同更新成为智能轴承边缘故障诊断亟需解决的问题。
技术实现思路
1、为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于联邦学习的智能轴承分布式端边协同故障诊断方法及系统。
2、为了实现本发明的上述目的，本发明提供了一种基于联邦学习的智能轴承分布式端边协同故障诊断方法，包括以下步骤：
3、获取多个同类轴承的加速度信号样本；
4、于各轴承端侧提取加速度信号样本中的异常样本，并构建局部故障诊断模型，基于局部故障诊断模型对异常样本进行推理，基于故障样本对局部故障诊断模型进行训练，更新各个局部故障诊断模型的参数；
5、构建边缘计算全局模型，基于各个局部故障诊断模型的参数对全局模型进行聚合，并基于聚合后的全局模型更新各局部故障诊断模型。
6、本方法基于端边协同思想，对智能轴承进行分布式端边协同故障诊断，能够实时完成数据异常判别，与常规边缘故障诊断方法不同，各轴承端侧利用各轴承新增的异常数据以及更新后的局部故障诊断模型的进行模型训练，全局模型又根据各局部故障诊断模型进行聚合学习，完成全局模型的更新并下发至各局部故障诊断模型，如此循环，能够在不进行原始数据互通的情况下，完成全局模型的构建，且满足了不同轴承端的诊断任务。
7、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，构建局部故障诊断模型后，为每个局部故障诊断模型提供初始故障样本。
8、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，根据故障样本数量设置故障触发阈值，当某类故障标签概率大于该故障触发阈值时，判定轴承出现该类故障；利用故障样本对局部故障诊断模型进行重训练。
9、该可选方案通过故障触发阈值的设置，解决了局部故障诊断模型在故障样本较少的情况下诊断准确性较差的问题，通过故障触发阈值提高了故障诊断的准确性。
10、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中所述故障触发阈值为：
11、
12、其中，ptbegin和ptend分别为开始和结束时的故障触发阈值；dmin为各类故障的初始样本数量，dmax为各类故障需要进行聚合的最大样本数量，dk为当前轮次下所有轴承端侧故障样本中第k类故障样本数，ptk为第k类故障的故障触发阈值。
13、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，计算各轴承端侧的各类故障样本数量的偏离度以及各轴承端侧各类故障样本数量的熵权，进而计算各轴承端侧的综合评分；
14、采用联邦学习对全局模型进行聚合，以各轴承端侧的综合评分作为全局模型权重，更新全局模型的参数：
15、
16、其中，n为联邦聚合软次的次数，为第n轮聚合时的全局模型参数，ic为第c个轴承端侧的综合评分，i为所有轴承端侧的综合评分总和，nc代表轴承端侧的总数，代表第n轮时第c个轴承端侧的参数。
17、该可选方案在常规联邦学习的基础上进行了改进，使用各轴承端侧的综合评分作为联邦学习的模型权重，提高了诊断的准确性。
18、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，计算各轴承端侧的综合评分步骤为：
19、计算各轴承端侧中各类故障样本数量的偏离度：
20、
21、其中，为第c个轴承端侧中第k类故障样本数量的偏离度，k为故障类型总数，为第c个轴承端侧中第k类故障样本数量均值，sc为的标准差，dck为第c个轴承端侧中第k类故障样本数量,dc为第c个轴承端侧中的故障样本数量；
22、将各轴承端侧的各类故障样本数量偏离度的倒数构建为矩阵形式：
23、
24、其中，第c个轴承端侧中第k类故障样本数量偏离度的倒数为为0的项被剔除，k'为剔除0项之后的故障样本个数；
25、对各轴承端侧的各类故障样本数量偏离度进行量化，得到各轴承端侧各类故障样本数量的熵权；
26、基于各轴承端侧各类故障样本数量的熵权、各轴承端侧的各类故障样本数量偏离度所占比重、以及各轴承端侧的故障样本数量占所有轴承端故障样本总数的比重计算各轴承端侧的综合评分：
27、
28、其中，ic为第c个轴承端侧的综合评分，为第c个轴承端侧的第k类故障样本数量的熵权，pck为第c个轴承端侧的第k类故障样本数量偏离度占总偏离程度的比重，dc'为第c个轴承端侧的故障样本数量占所有轴承端故障样本总数的比重，d为所有轴承端侧故障样本总数。
29、该可选方案在常规联邦学习的基础上进行了改进，加入客户端故障样本数以及客户端故障样本偏离度两个因素进行约束，减少了各客户端中故障样本数量不均导致联邦学习中出现的数据偏移现象。且该可选方案通过对各轴承端侧的故障样本总数和各故障类型的样本数量差异程度同时进行考量评分，使得对各轴承端侧的综合评分更为准确。
30、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，各轴承端侧的各类故障样本数量偏离度所占比重为：
31、
32、在该基于联邦学习的智能轴承分布式端边协同故障诊断方法的一种可选方案中，各轴承端侧各类故障样本数量的熵权的计算步骤为：
33、计算各轴承端侧的各类故障样本数量偏离度的熵值：
34、式中，
35、计算各轴承端侧各类样本数量的熵权：
36、
37、式中，第c个轴承端侧的第k类故障样本数量偏离度的熵值，为第c个轴承端侧的第k类故障样本数量的熵权，为第c个轴承端侧的第k类故障样本数量的变异系数，
38、该可选方案实现了对各故障类型的样本数量差异程度同的考量。
39、本发明还提出了一种智能轴承端边协同故障诊断系统，包括用于采集各同类轴承的加速度信号的传感器，设置于各轴承端侧的处理节点和诊断节点；还包括边侧聚合节点；
40、所述传感器与其对应的轴承端侧的处理节点通信连接，各轴承端侧的处理节点提取对应轴承的加速度信号中的异常样本；各轴承端侧的诊断节点布置有局部故障诊断模型，根据上述的基于联邦学习的智能轴承分布式端边协同故障诊断方法对所述异常样本进行推理，并利用故障样本更新局部故障诊断模型参数，各轴承端侧的诊断节点与所述边侧聚合节点通信连接；
41、所述边侧聚合节点布置有全局模型，基于各个局部故障诊断模型的参数根据上述的基于联邦学习的智能轴承分布式端边协同故障诊断方法对全局模型进行聚合，并将聚合后的全局模型下发至各轴承端侧的诊断节点，更新各局部故障诊断模型。
42、该系统为基于端边协同思想搭建的一种针对智能轴承的分布式端边协同故障诊断的系统，具备上述基于联邦学习的智能轴承分布式端边协同故障诊断方法的所有优点，能够实时完成数据异常判别，并利用新增异常数据完成模型更新需求。
43、在该智能轴承端边协同故障诊断系统的一种可选方案中，所述处理节点包括处理模块、模数转换模块以及通讯模块，所述模数转换模块与传感器连接，对所述传感器采集的加速度信号进行模数转换，所述模数转换模块与处理模块连接，向处理模块发送模数转换后的加速度信号，所述处理模块提取加速度信号中的异常样本，并通过所述通讯模块发送至该处理节点对应的诊断节点。
44、本发明的附加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，或通过本发明的实践了解到。
1.一种基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，构建局部故障诊断模型后，为每个局部故障诊断模型提供初始故障样本。
3.根据权利要求1所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，根据故障样本数量设置故障触发阈值，当某类故障标签概率大于该故障触发阈值时，判定轴承出现该类故障；利用故障样本对局部故障诊断模型进行重训练。
4.根据权利要求3所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，所述故障触发阈值为：
5.根据权利要求1所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，
6.根据权利要求5所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，计算各轴承端侧的综合评分步骤为：
7.根据权利要求5或6所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，各轴承端侧的各类故障样本数量偏离度所占比重为：
8.根据权利要求7所述的基于联邦学习的智能轴承分布式端边协同故障诊断方法，其特征在于，各轴承端侧各类故障样本数量的熵权的计算步骤为：
9.一种智能轴承端边协同故障诊断系统，其特征在于，包括用于采集各同类轴承的加速度信号的传感器，设置于各轴承端侧的处理节点和诊断节点；还包括边侧聚合节点；
10.根据权利要求9所述的智能轴承端边协同故障诊断系统，其特征在于，所述处理节点包括处理模块、模数转换模块以及通讯模块，所述模数转换模块与传感器连接，对所述传感器采集的加速度信号进行模数转换，所述模数转换模块与处理模块连接，向处理模块发送模数转换后的加速度信号，所述处理模块提取加速度信号中的异常样本，并通过所述通讯模块发送至该处理节点对应的诊断节点。
