權(quán)利要求書： 1.一種基于聯(lián)合學習的渦輪風機維護方法，其特征在于，執(zhí)行主體為聯(lián)合學習的客戶端，包括：

接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模型；

獲取渦輪風機的歷史運行數(shù)據(jù)，將所述歷史運行數(shù)據(jù)輸入NASA仿真軟件生成用于訓練所述全局模型的樣本數(shù)據(jù)；

利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新本地的局部模型；

如果所述局部模型達到預設(shè)收斂條件，則創(chuàng)建用于所述渦輪風機預測維護的模型，并利用所述模型對渦輪風機進行預測維護；

執(zhí)行主體為聯(lián)合學習的服務(wù)器端，包括：接收客戶端上傳的局部模型；

對局部模型進行聚合，更新全局模型，以使所述客戶端對所述更新全局模型進行訓練創(chuàng)建用于所述渦輪風機預測維護的模型；

根據(jù)所述更新全局模型的更新結(jié)果，確定下一次所述全局模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更新的屬性信息；

其中，所述接收客戶端上傳的局部模型，包括：檢測局部模型目錄，并得到檢測結(jié)果；

根據(jù)所述檢測結(jié)果，判斷是否產(chǎn)生新的局部模型；若是，則接收所述新的局部模型；若否，則返回檢測局部模型目錄。

2.根據(jù)權(quán)利要求1所述的基于聯(lián)合學習的渦輪風機維護方法，其特征在于，所述歷史運行數(shù)據(jù)包括：渦輪風機的溫度、渦輪風機的壓力和/或渦輪風機的轉(zhuǎn)速。

3.一種用于執(zhí)行權(quán)利要求1或2所述方法的基于聯(lián)合學習的渦輪風機維護裝置，其特征在于，包括：

全局模型接收模塊，用于接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模型；

樣本數(shù)據(jù)生成模塊，用于獲取渦輪風機的歷史運行數(shù)據(jù)，生成用于訓練所述全局模型的樣本數(shù)據(jù)；

全局模型訓練模塊，用于利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新本地的局部模型；

風機預測維護模塊，用于如果所述局部模型達到預設(shè)收斂條件，則創(chuàng)建用于所述渦輪風機預測維護的模型，并利用所述模型對渦輪風機進行預測維護，其中，所述預設(shè)收斂條件為預設(shè)的迭代更新次數(shù)或預設(shè)的模型準確度。

4.一種用于執(zhí)行權(quán)利要求1或2所述方法的基于聯(lián)合學習的渦輪風機維護裝置，其特征在于，包括：

模型接收模塊，用于接收客戶端上傳的局部模型；

模型聚合模塊，用于對局部模型進行聚合，更新全局模型，以使所述客戶端對所述更新全局模型進行訓練創(chuàng)建用于所述渦輪風機預測維護的模型；

迭代更新模塊，用于根據(jù)所述更新全局模型的更新結(jié)果，確定下一次所述全局模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更新的屬性信息；

其中，所述模型接收模塊，具體包括：目錄檢查單元，用于檢測局部模型目錄，并得到檢測結(jié)果；

模型接收單元，用于根據(jù)所述檢測結(jié)果，判斷是否產(chǎn)生新的局部模型；若是，則接收所述新的局部模型；若否，則返回檢測局部模型目錄。

5.一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1或2所述方法的步驟。

6.一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1或2所述方法的步驟。

說明書： 基于聯(lián)合學習的渦輪風機維護方法和裝置技術(shù)領(lǐng)域[0001] 本發(fā)明屬于能源技術(shù)領(lǐng)域，尤其涉及一種基于聯(lián)合學習的渦輪風機維護方法和裝置。

背景技術(shù)[0002] 渦輪風機維護目前多以“被動式運維”，主要依靠現(xiàn)場工作人員進行定期維護和故障檢修，這種單純依靠工人進行蹲點維護，運維成本極高，也容易出現(xiàn)由于工作人員水平不

一致導致發(fā)電損失甚至運行安全問題。

[0003] 現(xiàn)有技術(shù)中也有利用機器學習算法來建立預測模型，對渦輪風機進行預測維護。不過在實驗中發(fā)現(xiàn)利用渦輪風機運行特征數(shù)據(jù)建立的預測模型的質(zhì)量并不高。因此，如何

進一步提高渦輪風機維護模型的準確度，以保障風機運維的準確性和效率，是當前的一個

技術(shù)難題。

發(fā)明內(nèi)容[0004] 有鑒于此，本發(fā)明實施例提供了一種基于聯(lián)合學習的渦輪風機維護方法和裝置，以解決效率渦輪風機運維效率和準確度不高的問題。

[0005] 本發(fā)明第一方面，提供了一種基于聯(lián)合學習的渦輪風機維護方法，包括：接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模型；獲取渦輪風機的歷史運行數(shù)據(jù)，生成用于訓練所

述全局模型的樣本數(shù)據(jù)；利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新本地的局部模型；如

果所述局部模型達到預設(shè)收斂條件，則創(chuàng)建用于所述渦輪風機預測維護的模型，并利用所

述模型對渦輪風機進行預測維護。

[0006] 在一些可選方案中，所述歷史運行數(shù)據(jù)包括：渦輪風機的溫度、渦輪風機的壓力和/或渦輪風機的轉(zhuǎn)速。

[0007] 本發(fā)明第二方面，提供了一種基于聯(lián)合學習的渦輪風機維護方法，其包括：接收客戶端上傳的局部模型；對局部模型進行聚合，更新全局模型；根據(jù)所述更新全局模型的更新

結(jié)果，確定下一次所述全局模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更

新的屬性信息。

[0008] 在一些可選方案中，所述接收客戶端上傳的局部模型，包括：檢測局部模型目錄，并得到檢測結(jié)果；根據(jù)所述檢測結(jié)果，接收所述局部模型。

[0009] 本發(fā)明的第三方面，提供了一種基于聯(lián)合學習的渦輪風機維護裝置，其包括：全局模型接收模塊，用于接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模型；樣本數(shù)據(jù)生成模塊，

用于獲取渦輪風機的歷史運行數(shù)據(jù)，生成用于訓練所述全局模型的樣本數(shù)據(jù)；全局模型訓

練模塊，用于利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新本地的局部模型；風機預測維護

模塊，用于如果所述局部模型達到預設(shè)收斂條件，則創(chuàng)建用于所述渦輪風機預測維護的模

型，并利用所述模型對渦輪風機進行預測維護。

[0010] 在一些可選方案中，所述歷史運行數(shù)據(jù)包括：渦輪風機的溫度、渦輪風機的壓力和/或渦輪風機的轉(zhuǎn)速。

[0011] 本發(fā)明的第四方面，提供了一種基于聯(lián)合學習的渦輪風機維護裝置，其包括：模型接收模塊，用于接收客戶端上傳的局部模型；模型聚合模塊，用于對局部模型進行聚合，更

新全局模型；迭代更新模塊，用于根據(jù)所述更新全局模型的更新結(jié)果，確定下一次所述全局

模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更新的屬性信息。

[0012] 在一些可選方案中，所述模型接收模塊，具體包括：目錄檢查單元，用于檢測局部模型目錄，并得到檢測結(jié)果；模型接收單元，用于根據(jù)所述檢測結(jié)果，接收所述局部模型。

[0013] 本發(fā)明的第五方面，提供了一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如

第一方面和第二方面任一項所述方法的步驟。

[0014] 本發(fā)明的第六方面，提供了一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如第一方面和第二方面任一項所述方法的步

驟。

[0015] 本發(fā)明實施例與現(xiàn)有技術(shù)相比存在的有益效果是：本發(fā)明通過聯(lián)合學習架構(gòu)來實現(xiàn)了對渦輪風機的運維預測模型的訓練，針對本地訓練的樣本數(shù)據(jù)進行改進，使得訓練得

到的模型質(zhì)量更高，使得運維預測的準確性得以提高；此外，針對服務(wù)器端的聚合方式進行

改進，使得預測模型的訓練效率得以進一步提高。

附圖說明[0016] 為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些

實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附

圖獲得其它的附圖。

[0017] 圖1是可以應用本發(fā)明以下實施例的一個聯(lián)合學習架構(gòu)；[0018] 圖2是本發(fā)明在實施例一提供的基于聯(lián)合學習的渦輪風機維護方法的流程圖；[0019] 圖3是本發(fā)明在實施例三中提供的基于聯(lián)合學習的渦輪風機維護裝置的結(jié)構(gòu)圖。具體實施方式[0020] 以下描述中，為了說明而不是為了限定，提出了諸如特定系統(tǒng)結(jié)構(gòu)、技術(shù)之類的具體細節(jié)，以便透徹理解本發(fā)明實施例。然而，本領(lǐng)域的技術(shù)人員應當清楚，在沒有這些具體

細節(jié)的其它實施例中也可以實現(xiàn)本發(fā)明。在其它情況中，省略對眾所周知的系統(tǒng)、裝置、電

路以及方法的詳細說明，以免不必要的細節(jié)妨礙本發(fā)明的描述。

[0021] 圖1為可以應用本發(fā)明以下實施例的一個聯(lián)合學習架構(gòu)，如圖1所示，在該聯(lián)合學習架構(gòu)中，包括：服務(wù)器101和多個客戶端102、103、104，所述多個客戶端102、103、104分別

與服務(wù)器通信連接。

[0022] 其中，服務(wù)器101即為聯(lián)合學習的信任中心，也稱為中央服務(wù)器；客戶端102、103、104即為聯(lián)合學習的客戶機。一般的，對于客戶端的數(shù)量可以為K個，K≥2，且為正整數(shù)，例

如，圖1中的client?1、client?2…client?K。

[0023] 具體的，所述客戶端可以具體包括但不限于計算機、服務(wù)器、工作站等電子設(shè)備。示例性的，所述電子設(shè)備，可以具體包括：存儲器、處理器以及存儲在所述存儲器中并可在

所述處理器上運行的計算機程序，當所述處理器執(zhí)行所述計算機程序時，實現(xiàn)如下列實施

例一中任一完整方法的步驟。

[0024] 聯(lián)合學習允許多個用戶協(xié)作訓練共享的全局模型，而無需分享本地設(shè)備中的數(shù)據(jù)，由中央服務(wù)器協(xié)調(diào)完成多輪聯(lián)合學習以得到最終的全局模型。其中，在每一輪開始時，

中央服務(wù)器將當前的全局模型發(fā)送給參與聯(lián)合學習的客戶機；每個客戶機根據(jù)其本地數(shù)據(jù)

訓練所接收到的全局模型，訓練完畢后將更新后的模型返回中央服務(wù)器；中央服務(wù)器收集

到所有客戶機返回的更新后，對全局模型進行一次更新，進而結(jié)束本輪更新。

[0025] 至此，本發(fā)明在以下實施例中，將通過聯(lián)合學習方法來利用渦輪風機的運維數(shù)據(jù)進行維護模型的訓練改進，以提升風機維護的運維效率和準確性。

[0026] 實施例一[0027] 本實施例將從聯(lián)合學習架構(gòu)中的客戶端側(cè)來對本發(fā)明提供的基于聯(lián)合學習的渦輪風機維護方法進行說明，即本實施例的執(zhí)行主體為聯(lián)合學習的客戶端，例如，如由圖1所

示的客戶端102、103、104來執(zhí)行本實施例提供的方法。

[0028] 圖2為本發(fā)明在實施例一提供的基于聯(lián)合學習的渦輪風機維護方法的流程圖，見圖2所示，所述基于聯(lián)合學習的渦輪風機維護方法包括下列步驟S01?S04。

[0029] S101：接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模型。[0030] 其中，在被動接收服務(wù)器下發(fā)的全局模型之外，本步驟還包括主動從服務(wù)器端下載全局模型。具體的，所述全局模型包括服務(wù)器端初始化的全局模型，例如，在開始聯(lián)合學

習任務(wù)之處下發(fā)的全局模型。此外，所述全局模型也包括服務(wù)器聚合各個參與聯(lián)合學習的

渦輪風機所在數(shù)據(jù)節(jié)點上傳的局部模型。

[0031] S102：獲取渦輪風機的歷史運行數(shù)據(jù)，生成用于訓練所述全局模型的樣本數(shù)據(jù)。[0032] 其中，所述歷史運行數(shù)據(jù)包括渦輪風機的溫度、渦輪風機的壓力、渦輪風機的轉(zhuǎn)速等測點數(shù)據(jù)。

[0033] 具體的，在獲取到以上渦輪風機的運行數(shù)據(jù)之后，可以將該運行數(shù)據(jù)輸入NASA仿真軟件來生成樣本數(shù)據(jù)，這樣能夠使樣本數(shù)據(jù)與實際運行情況一致，從而使得訓練的得到

的模型精度更高。應理解，利用這些數(shù)據(jù)輸入仿真軟件可以得到渦輪風機的運行情況，從而

形成高質(zhì)量的樣本數(shù)據(jù)。

[0034] S103：利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新本地的局部模型。[0035] 其中，在聯(lián)合學習架構(gòu)下，從服務(wù)器端獲取的全局模型，是全局模型的中間參數(shù)，例如，訓練模型的梯度等。因此，在利用所述全局模型對應的參數(shù)，在本地利用樣本數(shù)據(jù)進

行訓練，在訓練過程中會進一步更新模型的參數(shù)，即得到本地的局部模型。

[0036] S104：如果所述局部模型達到預設(shè)收斂條件，則創(chuàng)建用于所述渦輪風機預測維護的模型，并利用所述模型對渦輪風機進行預測維護。

[0037] 其中，判斷是否達到收斂條件可以通過預設(shè)的迭代更新次數(shù)，即重復上述步驟S101?S103的次數(shù)?；蛘?，也可以是預設(shè)的模型準確度，例如，在更新所述局部模型之后，判

斷所述局部模型是否滿足預設(shè)的準確度，若是，則確定所述局部模型達到收斂條件。至此，

在本地即可創(chuàng)建用于所述渦輪風機預測維護的模型，并利用所述模型對渦輪風機進行預測

維護。

[0038] 實施例二[0039] 本實施例將從聯(lián)合學習架構(gòu)中的服務(wù)器側(cè)來對本發(fā)明提供的基于聯(lián)合學習的渦輪風機維護方法進行說明，即本實施例的執(zhí)行主體為聯(lián)合學習的服務(wù)器端，例如，由圖1所

示的服務(wù)器101來執(zhí)行本實施例提供的方法。

[0040] 具體的，本實施例提供的基于聯(lián)合學習的渦輪風機維護方法，具體包括以下步驟S201?S203。

[0041] 步驟S201：接收客戶端上傳的局部模型。[0042] 結(jié)合以上實施例一可知，所述局部模型是客戶端基于服務(wù)器下發(fā)的全局模型，利用本地數(shù)據(jù)進行訓練后更新產(chǎn)生的局部模型。

[0043] 在一個示例中，上述步驟S201，可以具體包括：[0044] 步驟S211：檢測局部模型目錄，并得到檢測結(jié)果；[0045] 步驟S212：根據(jù)所述檢測結(jié)果，接收所述局部模型。[0046] 其中，上述結(jié)果具體包括：判斷是否產(chǎn)生新的局部模型：若是，則收所述局部模型；若否，則返回檢測局部模型目錄。

[0047] 其中，所述局部模型目錄，即當前參與聯(lián)合學習的客戶端信息。具體的，客戶端既可以在開啟聯(lián)合學習任務(wù)之前接入服務(wù)器進行聯(lián)合學習；也可以是在聯(lián)合學習任務(wù)開啟之

后中途加入聯(lián)合學習。因此，通過檢查局部模型目錄，可以確定當前參與聯(lián)合學習的客戶端

的情況，從而判斷是否有新的局部模型上傳。

[0048] 步驟S202：對局部模型進行聚合，更新全局模型。[0049] 其中，所述聚合可以具體包括對所有上傳的局部模型進行均值聚合。[0050] 此外，在結(jié)合上述示例的情況下，為了應對系統(tǒng)異構(gòu)或數(shù)據(jù)異構(gòu)的問題，在對局部模型進行聚合時，還可以采用異步聯(lián)合聚合的方法。示例性的，所述步驟S202可以包括：根

據(jù)接收到新上傳的局部模型，結(jié)合前次聚合后的全局模型進行本次聚合，并更加本次聚合

后的結(jié)果更新全局模型。也就是說，本示例不需要等待所有的客戶端都上傳完局部模型之

后再進行聚合，提高訓練的效率。

[0051] 步驟S203：根據(jù)所述更新全局模型的更新結(jié)果，確定下一次所述全局模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更新的屬性信息。

[0052] 其中，根據(jù)所述全局模型更新時間，可以在達到該更新時間時，對接收到的局部模型進行聚合更新。同時，更新的屬性信息即更新后的全局模型的中間參數(shù)信息，例如，全局

模型的梯度信息。當確定更新結(jié)果為更新成功時，即可將所述屬性信息下發(fā)給各個客戶端，

已完成聯(lián)合學習任務(wù)。

[0053] 綜上所述，上述實施例一和實施例二通過聯(lián)合學習架構(gòu)來實現(xiàn)了對渦輪風機的運維預測模型的訓練，針對本地訓練的樣本數(shù)據(jù)進行改進，使得訓練得到的模型質(zhì)量更高，使

得運維預測的準確性得以提高；此外，針對服務(wù)器端的聚合方式進行改進，使得預測模型的

訓練效率得以進一步提高。

[0054] 下面將對本發(fā)明上述實施例基于聯(lián)合學習得到的預測模型，與現(xiàn)有技術(shù)中利用深度學習得到的模型進行比較，即利用相同的測試數(shù)據(jù)對模型進行測試，看兩者的測試結(jié)果

的準確率。具體實驗結(jié)果如下表1：

[0055][0056][0057] 表1[0058] 其中，所述用戶1、用戶2和用戶3表示渦輪風機本地的數(shù)據(jù)處理節(jié)點，例如，具體可以為邊緣數(shù)據(jù)處理節(jié)點。由上表1可以清楚的看出，本發(fā)明的準確率相比于現(xiàn)有技術(shù)具有顯

著的提高。

[0059] 應理解，上述實施例中各步驟的序號的大小并不意味著執(zhí)行順序的先后，各過程的執(zhí)行順序應以其功能和內(nèi)在邏輯確定，而不應對本發(fā)明實施例的實施過程構(gòu)成任何限

定。

[0060] 實施例三[0061] 在同一發(fā)明構(gòu)思下，本實施例三還提供了與圖2所示方法實施例中各個步驟相一一對應的裝置。

[0062] 圖3為本發(fā)明在實施例三中提供的基于聯(lián)合學習的渦輪風機維護裝置的結(jié)構(gòu)圖。[0063] 見圖3，本實施例提供的基于聯(lián)合學習的渦輪風機維護裝置300，一般設(shè)置于客戶端，具體包括：全局模型接收模塊301，用于接收在聯(lián)合學習架構(gòu)下服務(wù)器端下發(fā)的全局模

型；樣本數(shù)據(jù)生成模塊302，用于獲取渦輪風機的歷史運行數(shù)據(jù)，生成用于訓練所述全局模

型的樣本數(shù)據(jù)；全局模型訓練模塊303，用于利用所述樣本數(shù)據(jù)訓練所述全局模型，并更新

本地的局部模型；風機預測維護模塊304，用于如果所述局部模型達到預設(shè)收斂條件，則創(chuàng)

建用于所述渦輪風機預測維護的模型，并利用所述模型對渦輪風機進行預測維護。

[0064] 在一些可選方案中，所述歷史運行數(shù)據(jù)包括：渦輪風機的溫度、渦輪風機的壓力和/或渦輪風機的轉(zhuǎn)速中的至少一種數(shù)據(jù)。

[0065] 此外，本實施例還提供了一種基于聯(lián)合學習的渦輪風機維護裝置，設(shè)置于服務(wù)器端，其包括：模型接收模塊，用于接收客戶端上傳的局部模型；模型聚合模塊，用于對局部模

型進行聚合，更新全局模型；迭代更新模塊，用于根據(jù)所述更新全局模型的更新結(jié)果，確定

下一次所述全局模型更新時間，其中，所述更新結(jié)果包含更新是否成功信息和更新的屬性

信息。

[0066] 在一些可選方案中，所述模型接收模塊，具體包括：目錄檢查單元，用于檢測局部模型目錄，并得到檢測結(jié)果；模型接收單元，用于根據(jù)所述檢測結(jié)果，接收所述局部模型。

[0067] 在一些可選方案中，所述模型聚合模塊，具體用于根據(jù)接收到新上傳的局部模型，結(jié)合前次聚合后的全局模型進行本次聚合，并更加本次聚合后的結(jié)果更新全局模型。

[0068] 以上所述實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應當理解：其依然可以對前述各

實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改

或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍，均應

包含在本發(fā)明的保護范圍之內(nèi)。