水电站群设备退化模型跨站协同训练方法及系统与流程
本发明涉及水电站设备智能运维、工业时序数据处理、联邦学习及边缘计算,尤其涉及一种水电站群设备退化模型跨站协同训练方法及系统。
背景技术:
1、水电站群通常包含分布于不同厂站的多类机电设备。同一设备类型在功能机理上具有相近的腐蚀、磨损、疲劳或密封退化过程,但由于设备型号、额定容量、投运年限、传感器配置、水质条件、负荷方式及检修历史不同,不同电站采集的运行时序在通道构成、量程、采样频率和标签完整程度方面存在差异。设备退化预测需要同时利用共性退化规律与站点特有信息,而生产运行数据又通常需要保留在对应电站的安全边界内。
2、一种常见做法是由每个电站独立训练长短期记忆网络、时序transformer或其他时序预测模型。该做法不需要跨站传输数据,但单站同族设备数量有限,真实故障工单、检修测厚值和寿命标签较少,模型容易将站内偶然工况学习为退化规律。另一种做法是把不同电站的数据集中至统一服务器进行训练,但该方式增加了生产数据跨站汇集和集中存储的安全风险,也难以适配不同电站的数据安全边界。
3、与本发明较为接近的方式是在不同电站部署同构的本地模型,各电站上传模型参数或梯度,由参数协调节点按照样本量进行联邦平均。该方式能够避免上传完整运行时序,但其聚合过程通常默认客户端的数据分布、设备型号及模型结构相近。对于额定容量、传感器通道和退化速度存在差异的同族设备,单纯按照样本量平均容易把站点偏差混入共享表示;新增检修周期中的异常模式仍需通过完整梯度训练吸收,且普通参数聚合难以验证上传更新是否满足指定模型版本、参数裁剪和可信权重计算规则。
4、因此,现有技术主要存在两个相互关联的技术问题:其一,在原始运行数据不跨站汇集的条件下,单站样本量与标签覆盖度不足,而直接聚合异构型号设备的参数容易产生负迁移,难以兼顾跨站共性退化规律和站点个性化特征;其二,后续检修产生的新异常模式需要持续进入生产模型,但异常、错误、版本不一致或不符合训练规则的参数更新可能破坏全局模型,现有方式在持续学习、更新验证和受控发布方面仍存在局限。
技术实现思路
1、本发明所要解决的技术问题是:在各电站的原始生产数据保留于站内的条件下,建立不同型号同族设备的统一语义表示,分离可跨站聚合的共享退化规律与保留在站内的个性化退化特征,并依据数据有效程度、标签覆盖程度、验证性能及型号相似程度完成异构聚合;同时,使协同训练过程能够吸收新增异常模式,对上传更新执行完整性、合理性和可追溯性验证,并通过门控发布避免候选模型未经验证直接替换生产模型。
2、为解决上述技术问题,本发明提供一种水电站群设备退化模型跨站协同训练方法,包括:
3、获取各电站的设备台账、运行数据及检修记录,经跨站语义映射、时序标准化和标签对齐,构建同族设备标准化训练样本集;
4、基于所述同族设备标准化训练样本集,训练包括共享退化编码器与站点个性化预测头的本地退化模型,对所述共享退化编码器的参数进行更新和裁剪,得到共享参数包;
5、对所述共享参数包进行认证与完整性校验,根据有效样本量、标签覆盖度、本地验证性能及设备型号相似度确定聚合权重并加权聚合所述共享退化编码器的参数,构建全局共享退化模型;
6、利用所述全局共享退化模型实施站点迁移适配,提取异常时序片段的异常模式原型并跨站融合,确定出站点专用退化预测模型及跨站异常模式知识库;
7、基于所述站点专用退化预测模型及所述跨站异常模式知识库执行验证、门控发布及漂移触发更新,实现各电站的设备跨站协同服务。
8、进一步地,所述获取各电站的设备台账、运行数据及检修记录,经跨站语义映射、时序标准化和标签对齐,构建同族设备标准化训练样本集,包括:登记各电站的设备类型标识、设备型号标识、设备额定值、物理量名称、传感器通道、单位换算规则、有效量程、采样周期及缺失通道标识,构建同族设备语义字典;根据所述同族设备语义字典,将不同电站中具有相同设备功能语义的传感器通道映射至统一特征位置,确定出跨站通道映射关系;按照所述跨站通道映射关系,对本地运行数据进行时间对齐、异常值剔除、单位换算及运行阶段分割,并将不同额定容量设备的运行数据转换为实际物理量与相对于设备额定值的标幺量双通道时序表示;依据设备编号、运行阶段及采样时刻,将检修测厚值、堵管记录、阀门动作值偏差、压力循环次数、累计损伤度及故障工单与所述双通道时序表示进行关联;对具有检修确认结果的所述双通道时序表示配置监督标签,对不具有检修确认结果的所述双通道时序表示配置未标注标识及标签置信等级,构建所述同族设备标准化训练样本集。
9、进一步地,基于所述同族设备标准化训练样本集,训练包括共享退化编码器与站点个性化预测头的本地退化模型,对所述共享退化编码器的参数进行更新和裁剪,得到共享参数包,包括:按照设备编号及采样时间先后关系,将所述同族设备标准化训练样本集划分为本地训练集、本地验证集及本地测试集,使同一设备的相邻时序片段不同时归属于所述本地训练集与所述本地测试集;按照预设时序窗口长度及窗口移动步长切分所述本地训练集,得到本地时序训练批次;将所述本地时序训练批次输入由长短期记忆网络或时序transformer构成的共享退化编码器,提取表征腐蚀、磨损、疲劳及密封退化趋势的共享退化嵌入;将所述共享退化嵌入输入站点个性化预测头,输出剩余壁厚、动作值偏差、累计损伤度、剩余寿命及异常概率中的至少一种站点退化预测结果;根据所述站点退化预测结果与对应监督标签计算本地训练损失,更新所述共享退化编码器和所述站点个性化预测头,并对所述共享退化编码器参数进行范数裁剪;将更新并裁剪后的所述共享退化编码器参数与本轮有效样本量、标签覆盖度、本地验证性能、设备型号标识、训练轮次标识及模型版本标识封装为所述共享参数包,将所述站点个性化预测头保留在对应电站。
10、进一步地,所述对所述共享参数包进行认证与完整性校验,根据有效样本量、标签覆盖度、本地验证性能及设备型号相似度确定聚合权重并加权聚合所述共享退化编码器的参数,构建全局共享退化模型,包括:利用站点证书对所述共享参数包的发送方进行身份认证,对所述共享退化编码器的参数进行参数分块和定点量化,并对量化后的所述共享退化编码器的参数进行加密及消息摘要计算,得到加密更新消息;校验所述加密更新消息携带的参与资格、训练轮次标识、模型版本标识及消息摘要,剔除超时和模型版本不一致的加密更新消息,得到有效更新集合;根据设备额定容量差异、设备结构参数差异及传感器通道重合程度确定设备型号相似度;分别对所述有效样本量、所述标签覆盖度、所述本地验证性能及所述设备型号相似度进行归一化处理,并根据预设权重组合规则计算各电站对应的初始聚合权重;对所述有效更新集合对应的初始聚合权重进行归一化,根据归一化后的聚合权重对所述共享退化编码器参数进行加权聚合,更新全局模型版本,得到所述全局共享退化模型。
11、进一步地,在根据有效样本量、标签覆盖度、本地验证性能及设备型号相似度确定聚合权重并加权聚合所述共享退化编码器的参数过程中,所述方法还包括:按照所述设备型号、运行季节及负荷区间,计算各传感器通道的条件均值、条件方差及时序频谱中心,并将计算结果编码为本地域偏差向量;根据所述本地域偏差向量,对相关电站的双通道时序表示进行条件中心化及尺度校正,得到本地去偏时序表示;将设备额定容量、所述设备型号及水质类别配置为站点个性化适配变量,利用所述本地去偏时序表示训练所述共享退化编码器及站点适配器;将所述共享退化编码器参数、所述本地去偏时序表示的一阶统计量、二阶统计量及统计置信度写入所述共享参数包;根据各电站上传的所述一阶统计量、所述二阶统计量及所述统计置信度,估计由参与电站比例和样本规模差异形成的全局参与偏差;利用所述全局参与偏差修正各电站的共享退化编码器参数及对应聚合权重,得到偏差校正参数,并对所述偏差校正参数进行加权聚合,输出偏差受控的所述全局共享退化模型。
12、进一步地,所述利用所述全局共享退化模型实施站点迁移适配,提取异常时序片段的异常模式原型并跨站融合,确定出站点专用退化预测模型及跨站异常模式知识库,包括:将所述全局共享退化模型中的共享退化编码器下发至各电站;冻结所述共享退化编码器的全部共享层或靠近输入端的部分共享层,利用对应电站的本地验证集微调靠近输出端的适配层及所述站点个性化预测头,构建出所述站点专用退化预测模型;利用所述站点专用退化预测模型提取经检修确认的异常时序片段对应的退化嵌入,并按照设备类型、故障模式及退化阶段对所述退化嵌入进行分组;针对每一组退化嵌入计算类中心、类内离散程度及样本支持度,形成不包含原始异常时序片段的本地异常模式原型;根据设备类型标识和故障语义标识,对不同电站上传的本地异常模式原型进行匹配、去重及置信融合,得到全局异常模式原型;将所述全局异常模式原型下发至各电站,并与对应电站的本地异常模式原型合并,得到所述跨站异常模式知识库。
13、进一步地,所述方法还包括:将检修确认数据定义为连续学习任务,并按照任务产生时间形成任务序列;冻结所述站点专用退化预测模型中的共享退化编码器,利用所述共享退化编码器提取每个连续学习任务对应的本地增量退化嵌入;根据所述本地增量退化嵌入计算特征自相关统计量、特征与标签互相关统计量及预测头正则化状态量;利用预设遗忘因子,将当前连续学习任务对应的所述特征自相关统计量、所述特征与标签互相关统计量、所述预测头正则化状态量与上一连续学习任务保留的累计充分统计量进行递推合并,得到本地累计充分统计量;对所述本地累计充分统计量进行定点量化、加密及版本标记,并按照设备类型及连续学习任务语义聚合不同电站的本地累计充分统计量,递推求解全局持续学习预测头;利用对应电站的本地验证集校准所述全局持续学习预测头的决策阈值,分别计算既有异常模式的保持性能和新增异常模式的适应性能;当所述保持性能及所述适应性能均满足对应发布门限时,利用所述全局持续学习预测头更新生产预测头,否则保留当前生产预测头,并将所述新增异常模式写入所述跨站异常模式知识库。
14、进一步地,所述方法还包括:利用经审核的设备数字孪生仿真样本集和历史脱敏标准样本集,在当前全局模型版本上训练得到不参与生产预测的可信参考更新;按照共享退化编码器的网络层对所述共享退化编码器参数进行参数分块,并针对每一参数块计算更新范数、裁剪结果、与所述可信参考更新的方向相似度及本地验证性能改进量;根据所述更新范数、所述裁剪结果、所述方向相似度及所述本地验证性能改进量计算本地可信权重,利用所述本地可信权重形成待证明加权更新;对所述待证明加权更新生成参数承诺和零知识证明,所述零知识证明用于证明模型版本、训练轮次、参数裁剪、本地可信权重计算及定点量化符合预设更新规则;由审计协调节点验证所述零知识证明和模型版本链,由聚合协调节点接收所述待证明加权更新的秘密份额,并隔离零知识证明验证失败、与所述可信参考更新的方向相似度超出可信区间或本地验证性能下降幅度超过预设界限的待证明加权更新;利用所述审计协调节点与所述聚合协调节点恢复通过验证的待证明加权更新的聚合结果;当仅有一个电站的待证明加权更新通过验证时,将所述待证明加权更新与所述可信参考更新按照预设保守权重合成,得到候选全局共享退化模型;记录参与电站标识、全局模型版本、零知识证明验证结果、更新隔离原因及候选模型发布结论,得到与所述候选全局共享退化模型关联的聚合审计记录。
15、进一步地,所述基于所述站点专用退化预测模型及所述跨站异常模式知识库执行验证、门控发布及漂移触发更新,实现各电站的设备跨站协同服务,包括:在每个电站的本地测试集上,计算所述站点专用退化预测模型的退化预测误差、异常检出率、误报率、跨型号迁移增益及边缘节点推理时延;将所述站点专用退化预测模型与对应电站的单站独立训练模型及当前生产模型进行对比,得到跨站协同训练评估结果;当所述站点专用退化预测模型的预设安全指标不劣于所述当前生产模型,且主要退化预测指标满足预设上线门限时,将所述站点专用退化预测模型发布至对应电站的站内边缘节点;当所述预设安全指标劣于所述当前生产模型或所述主要退化预测指标不满足所述预设上线门限时,保留所述当前生产模型,并将所述站点专用退化预测模型转入人工复核;持续获取新增运行数据、检修确认结果及模型漂移指标,当新增有效样本量、运行数据分布偏移程度或生产预测性能下降幅度达到对应触发条件时,启动下一轮跨站协同训练或解析递推持续学习,更新所述跨站设备退化模型服务。
16、本发明还提供一种水电站群设备退化模型跨站协同训练系统,包括:
17、获取模块,用于获取各电站的设备台账、运行数据及检修记录,经跨站语义映射、时序标准化和标签对齐,构建同族设备标准化训练样本集;
18、训练模块,用于基于所述同族设备标准化训练样本集,训练包括共享退化编码器与站点个性化预测头的本地退化模型,对所述共享退化编码器的参数进行更新和裁剪,得到共享参数包;
19、校验模块,用于对所述共享参数包进行认证与完整性校验,根据有效样本量、标签覆盖度、本地验证性能及设备型号相似度确定聚合权重并加权聚合所述共享退化编码器的参数,构建全局共享退化模型;
20、适配模块,用于利用所述全局共享退化模型实施站点迁移适配,提取异常时序片段的异常模式原型并跨站融合,确定出站点专用退化预测模型及跨站异常模式知识库;
21、更新模块,用于基于所述站点专用退化预测模型及所述跨站异常模式知识库执行验证、门控发布及漂移触发更新,实现各电站的设备跨站协同服务。
22、由于采用同族设备语义字典以及实际物理量与标幺量双通道时序表示,不同型号设备可在保留额定值差异的同时映射至统一特征空间;共享退化编码器与站点个性化预测头的分离,使跨站聚合集中于共性退化表征,站点特有偏差则由站点个性化预测头和站点适配器承载,缓解了型号与工况差异造成的负迁移。根据数据有效程度、标签覆盖程度、验证性能及型号相似程度进行加权,并结合本地域偏差与全局参与偏差校正,使聚合结果不易被单一站点的数据规模支配。
23、异常模式原型和累计充分统计量使新增检修知识能够在不传输原始异常时序片段的情况下跨站共享;可信参考更新、参数承诺、零知识证明、秘密共享聚合和候选模型门控形成从更新生成、更新验证到生产发布的可追溯链路。因此,本发明能够在扩大等效训练样本范围的同时,降低异常更新、时间漂移及灾难性遗忘对生产模型的影响。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com