(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210803801.6 (22)申请日 2022.07.07 (71)申请人 上海工程 技术大学 地址 201620 上海市松江区龙腾路3 33号 (72)发明人 罗光圣　方志军　赵晓丽　杨驰　 (74)专利代理 机构 上海唯智赢专利代理事务所 (普通合伙) 31293 专利代理师 刘朵朵 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) G06F 16/35(2019.01) G06F 16/25(2019.01)G06F 16/27(2019.01) (54)发明名称 一种基于图神经网络联邦学习的工业设备 故障检测方法 (57)摘要 本发明公开了一种基于图神经网络联邦学 习的工业设备 故障检测方法， 属于工业设备故障 检测领域。 该方法包括： 客户端采集工业设备故 障数据， 构建带有标签的工业设备图数据集； 建 立并初始化客户端图神经网络模 型； 根据工业设 备图数据集和公共数据集训练图神经网络模型； 并将训练好的模 型参数上传中央服务器， 中央服 务器将得到的所有客户端模型参数进行聚合， 得 到更新的模型参数， 并下发给所有客户端； 客户 端更新本地模 型， 迭代训练直至网络模型的损失 值小于阈值或达到指定训练次数。 本发明依据图 结构数据， 基于图神经网络在联邦学习架构下进 行训练， 并在联邦 学习架构下进行GNN聚合。 使得 在本地数据的私密性得以保证的前提下， 本地模 型间互相受益。 权利要求书2页 说明书5页 附图3页 CN 115311205 A 2022.11.08 CN 115311205 A 1.一种基于 图神经网络联邦学习的工业设备故障检测方法， 其特征在于， 包括如下步 骤： (1)客户端采集工业设备故障数据， 构建带有标签的工业设备图数据集； (2)建立并初始化所述 客户端图神经网络模型； (3)根据所述工业设备图数据集和公共数据集训练所述图神经网络模型； (4)所述客户端将训练好的所述图神经网络模型参数 上传给中央服 务器； (5)所述中央服务器将得到的所有所述客户端图神经网络模型参数进行计算， 得到更 新的所述图神经网络模型参数， 并下发给 所有所述 客户端； (6)所述客户端根据接收到的所述图神经网络模型参数， 更新所述客户端图神经网络 模型； (7)循环步骤3 至6， 直至所述图神经网络模型的损失值小于阈值或达 到指定训练次数。 2.根据权利要求1所述的一种基于图神经网络联邦学习的工业设备故障检测方法， 其 特征在于， 在步骤1中所述构建带有标签的工业设备图数据集为： 对所述汽车设故障数据， 挑出含有不 合格工艺 流程的数据， 并使用图结构进行表示。 3.根据权利要求2所述的一种基于图神经网络联邦学习的工业设备故障检测方法， 其 特征在于， 所述用图结构进行表示包括： 通过无监督聚类将所述汽车设备故障数据的csv文档集中记录的数据转化成非结构化 的Graph图结构数据； 所述图结构数据定义为 在所述联邦学习架构中每个所述客户端有数据 集 其中V(k)、 ε(k)、 Y(k)分别表示节点 集、 边的集 合、 标签的集 合。 4.根据权利1所述的一种基于图神经网络联邦学习的工业设备故障检测方法， 其特征 在于， 所述 步骤3中模型训练方法包括： (3.1)将所述工业设备图数据集和公共数据集的数据采用图神经网络嵌入表示； (3.2)计算所述图神经网络的交叉熵损失函数； (3.3)按照最小化所述损失函数原则， 训练所述图神经网络模型， 获得更新的所述客户 端本地网络模型参数。 5.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法， 其特征 在于， 所述图神经网络嵌入表示包括： 将所述数据集数据输入netw orkx工具构建， 然后使用DGL工具实现嵌入式表示。 6.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法， 其特征 在于， 所述步骤5中所述中央服务器将得到的所有 所述客户端图神经网络模型进 行计算为： 针对权重值使用F edAvg算法进行聚合。 7.一种基于图神经网络联邦学习的工业设备故障检测装置， 包括： 部署模块： 用于部署中央服务器， 将各个客户端点连接所述中央服务器， 建立并初始化 所述客户端图神经网络模型； 训练模块： 用于所述客户端根据工业设备图数据集和公共数据集训练所述图神经网络 模型， 获取模型参数；权　利　要　求　书 1/2 页 2 CN 115311205 A 2聚合模块： 用于所述中央服务器获得所有所述客户端的模型参数进行参数聚合， 更新 所述客户端图神经网络模型； 其中， 重复执行训练模块和聚合模块， 到所述图神经网络模型的损 失值小于阈值或达 到指定训练次数。 8.一种设备， 包括存储器、 处理器以及存储在存储器中并能在存储器上执行的计算机 程序， 其特征在于： 所述处理器执行计算机程序时实现如权利要求 1‑6中任一项 所述的基于 图神经网络联邦学习的工业设备故障检测方法。 9.一种计算机可读存储介质， 其上存储有计算机程序， 当所述计算机程序在计算机中 执行时， 令计算机执 行权利要求1 ‑6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115311205 A 3