买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116561684B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310481747.2，技术领域涉及：G06F18/2433；该发明授权一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法是由马尚君;牛茂东;付晓军;刘更设计研发完成，并于2023-04-28向国家知识产权局提交的专利申请。

本一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法在说明书摘要公布了：本发明公开了一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法，涉及故障诊断领域。采集行星滚柱丝杠正常状态和故障状态的振动数据，构建数据集；数据预处理；搭建轻量化模型SResNet18；基于联邦学习框架及轻量化模型开展行星滚柱丝杠联合故障诊断建模；最后评估模型的大小和复杂度、模型的准确率和联邦学习框架下模型的训练时间。本发明有效解决了现阶段缺少针对行星滚柱丝杠故障诊断模型构建方法的问题；在保证数据隐私的前提下充分利用各客户端的数据联合建立行星滚柱丝杠故障诊断模型；本发明提出的轻量化模型SResNet18减少了联邦学习框架下模型的训练时间，解决了联邦学习传输成本高的问题。

本发明授权一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法在权利要求书中公布了：1.一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法，其特征在于，包括以下步骤： 步骤1、数据采集； 采集的数据包括行星滚柱丝杠正常、润滑失效、滚柱一侧断齿三种状态运行时X、Y、Z三个方向的振动数据，振动传感器安装在行星滚柱丝杠的螺母上； 步骤2、数据预处理；具体包括如下子步骤： 步骤2.1、原始数据划分为训练集和测试集，并设置不同类型标签； 步骤2.2、对步骤2.1所述的训练集随机划分，构成联邦学习中各客户端Host和Guest的训练集，其中Host和Guest的训练集不重叠且数据量不同； 步骤2.3、对步骤2.2所述的Host和Guest客户端的训练集和测试集按式1作归一化处理得到x*； 其中，xd为当前样本第d个数据点的数值，minx为当前样本的最小值，maxx为当前样本的最大值，M为归一化后数据的最大值，m为归一化后数据的最小值，利用式1将数据归一化到任意范围，考虑到行星滚柱丝杠运行时振动数据具有方向性的特点，同时为了缩小数据跨度，将数据归一化到[-1,1]，即M为1，m为-1； 步骤2.4、为了增加训练集样本的数量，对步骤2.3所述的归一化后的数据通过窗口裁剪的方式进行数据增强，获得的样本数量p如公式2所示： 其中，n为数据点的数量，w为采样信号长度，Δf为数据采样间隔； 步骤2.5、行星滚柱丝杠的振动信号为非平稳信号，所以对步骤2.4所述的数据通过公式3进行小波包变换，得到变换后的系数矩阵WP，在第p层分解中，信号被分为高频信号的细节系数WPp+1,2q和低频信号的近似系数WPp+1,2q+1，然后最后一层各频段的近似系数和细节系数按行排列构成64×64的系数矩阵，之后将X、Y、Z三个方向的系数矩阵堆叠得到64×64×3的张量，作为神经网络的输入； 其中，h·为高通正交滤波器，g·为低通正交滤波器，WPp,qk,为第p层，第q个子节点处的小波包系数，k为层数的索引，k＝1,2,…,N2p，N为原始信号长度，τ为平移量； 步骤3、对传统的卷积层进行改造，称为对称卷积层，使空间上各个位置进行乘加运算的核不同，但是不同通道使用一组权重完全相同的核，以对称卷积层为主要网络层，通过用对称卷积层替换传统18层残差神经网络中的卷积层，搭建轻量化神经网络模型SResNet18，包括对称卷积层、BatchNormalization、ReLU激活函数、最大池化层、卷积层、对称卷积残差层1、对称卷积残差层2、全局平局池化层、全连接层、Softmax函数： ①对称卷积层：对称卷积层在空间中有多个权重不同的核，与空间中不同位置的输入进行乘加运算，所有通道共享一组核，在每个通道上的计算过程由式4定义： 其中，为对称卷积核的输出，c为输入和输出的通道索引，为输入的第c个通道或输出的第c个通道，X为输入，I为对称卷积核，所有通道共享一组权重相同的对称卷积核，us和vs为对称卷积核和输入的邻域偏移量，Ks为对称卷积核大小； 所述对称卷积核在空间中有多个，且不同位置对称卷积核的权重不同，通过瓶颈层生成对称卷积核，通过一个池化层来减小输入的高度H0和宽度W0，经过一个池化层之后，高度H1和宽度W1分别变为H1＝H0s、W1＝W0s，当对称卷积核移动的步长s等于1时，只通过一个瓶颈层生成的对称卷积核的尺寸与输入匹配； 所述对称卷积层通过一组对称卷积核与输入的C0个通道分别进行乘加运算，得到一个通道为C0的输出，对称卷积层输出的通道数量与输入的通道数量相同，所以需要在对称卷积层之后增加一个卷积核大小为1×1，步长为1的卷积层来改变通道数量； ②BatchNormalization：BatchNormalization使梯度下降算法在梯度下降过程中更加稳定； ③ReLU激活函数：如式5所示： 其中，X为输入； ④最大池化层：最大池化层以一定的步长进行滑移遍历整个输入，输出窗口内数据的最大值； ⑤卷积层：卷积层通过在输入矩阵上滑移卷积核，计算卷积核和输入在各个位置的点积，计算过程由式6定义： 其中，F为卷积核，C1为输出通道的数量；u和v为卷积核和输入的邻域偏移量，K为卷积核大小； ⑥对称卷积残差层：对称卷积残差层通过增加恒等映射，避免了梯度爆炸和梯度消失，当第一个对称卷积层的步长s大于1时，增加一个步长为s，大小为1×1的卷积层来改变输入的大小；当第一个对称卷积层的步长s等于1时，对称卷积残差层的输出Y与输入X的高度和宽度相等，直接作相加运算； ⑦全局平局池化层：全局平均池化层在空间方向上对所有的输入取平均，输出的高度和宽度均为1，在全连接层前使用全局平均池化层在很大程度上减少参数量； ⑧全连接层与Softmax函数：全连接层和Softmax配合输出故障诊断分类结果； 步骤4、基于联邦学习框架及轻量化模型开展行星滚柱丝杠联合故障诊断建模；在确保数据隐私的前提下，建立行星滚柱丝杠故障诊断模型，充分利用多个客户端的行星滚柱丝杠数据，提高模型的性能，而且针对联邦学习框架下模型参数传输成本的问题，建立了步骤3所述的轻量化模型SResNet18；在多个客户端联合建立行星滚柱丝杠故障诊断模型的过程中，包括以下步骤： 步骤4.1、Host和Guest利用本地训练集训练本地故障诊断模型； 步骤4.2、Host和Guest将得到的本地故障诊断模型的参数上传至云端； 步骤4.3、在云端各模型聚合得到一个全局模型，全局模型的参数为PC，聚合过程由式7定义： 其中，PH和PG分别为Host和Guest模型的参数； 步骤4.4、全局模型参数回传，更新Host和Guest本地故障诊断模型的参数为PC； 不断重复上述步骤4.1～4.4，直到得到一个性能优异的模型； 步骤5、联合故障诊断建模及轻量化模型性能评估。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。