公开(公告)号：CN117911328A

公开(公告)日：2024-04-19

申请号：CN202311745347.4

申请日：2023-12-19

Applicant: 浙江大学

Inventor： 孟文超 ,  孟世元 ,  李世忠 ,  贺诗波 ,  杨秦敏 ,  顾超杰 ,  龙常青

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/42 ,  G06V10/80 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于异常检测领域，具体涉及一种基于混合专家系统的统一异常检测模型及检测方法，包括骨干网络、颈部网络和重建网络，骨干网络使用EfficientNet‑B4；颈部网络采用MFCN，旨在特征图上多尺度提取局部和全局特征，将提取到的特征多尺度使用concat加和，并实现特征图的规模转换，通过上采样将其尺度变为重建网络的输入范式；重建网络把输入的特征块重建为正常状态的特征块，之后将正常状态的特征块还原为理想产品的正常图，将正常图与原始输入图片做比较，如果差异较大，则说明输入图片是异常图片。本发明有效区分了不同类区别较大的产品在训练、推理过程中的参数空间，避免了梯度冲突，使各类异常检测产品都能较好地被识别。

公开(公告)号：CN119004208B

公开(公告)日：2025-04-04

申请号：CN202411099212.X

申请日：2024-08-12

Applicant: 浙江大学

Inventor： 孟文超 ,  陈雪超 ,  贺诗波 ,  杨秦敏 ,  李世忠 ,  孟世元 ,  公英杰

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/098 ,  G01R35/04

Abstract: 本发明公开了一种基于单轮联邦学习的低通信成本智能电表故障诊断方法。在各智能电表节点进行本地模型训练，各节点将本地模型参数以及每个批量归一化层在训练完成后的本地模型中记录的均值和方差上传至中心服务器，中心服务器通过对齐给定的故障分类和批量归一化层的统计量进行各节点对应数据集的生成。此外，本发明还通过对生成的数据集进行裁剪、混合并生成软标签，进一步提升了全局模型的精度和鲁棒性。最后，将生成的数据集和软标签输入至全局模型进行训练，得到最终的联邦学习全局故障诊断模型。这种方法在保护数据隐私、降低通信成本的同时，提高了模型的精度和鲁棒性，相比于其他联邦学习方法，故障诊断性能得到了显著提升。

公开(公告)号：CN119004208A

公开(公告)日：2024-11-22

申请号：CN202411099212.X

申请日：2024-08-12

Applicant: 浙江大学

Inventor： 孟文超 ,  陈雪超 ,  贺诗波 ,  杨秦敏 ,  李世忠 ,  孟世元 ,  公英杰

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/098 ,  G01R35/04

Abstract: 本发明公开了一种基于单轮联邦学习的低通信成本智能电表故障诊断方法。在各智能电表节点进行本地模型训练，各节点将本地模型参数以及每个批量归一化层在训练完成后的本地模型中记录的均值和方差上传至中心服务器，中心服务器通过对齐给定的故障分类和批量归一化层的统计量进行各节点对应数据集的生成。此外，本发明还通过对生成的数据集进行裁剪、混合并生成软标签，进一步提升了全局模型的精度和鲁棒性。最后，将生成的数据集和软标签输入至全局模型进行训练，得到最终的联邦学习全局故障诊断模型。这种方法在保护数据隐私、降低通信成本的同时，提高了模型的精度和鲁棒性，相比于其他联邦学习方法，故障诊断性能得到了显著提升。