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！

龙图腾网获悉浙江浙能电力股份有限公司萧山发电厂;浙江大学申请的专利一种基于联邦终身学习的燃气轮机异常检测方法及系统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：CN116610999B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202310630624.0，技术领域涉及：G06F18/241；该发明授权一种基于联邦终身学习的燃气轮机异常检测方法及系统是由沈晓兵;吕力行;叶建君;来鸣;冯安金;朱君;赵春晖;李宝学;宋鹏宇;陈旭设计研发完成，并于2023-05-31向国家知识产权局提交的专利申请。

本一种基于联邦终身学习的燃气轮机异常检测方法及系统在说明书摘要公布了：本发明公开了一种基于联邦终身学习的燃气轮机异常检测方法及系统。为实现燃气轮机异常检测模型在变工况场景下的终身学习能力和联邦场景下知识融合能力，本发明在联邦聚合阶段设计梯度规范化系数，以克服不同客户端数据量不同带来的全局模型漂移问题，加速全局模型的收敛以及对其它工厂历史知识的融合。本发明在保护数据隐私的情况下，有效利用各客户端知识，监测模型在增量更新时不遗忘历史的数据分布，能够降低模型对本地和其它客户端历史工况的误报率，且能够及时监测出已见工况下的故障。

本发明授权一种基于联邦终身学习的燃气轮机异常检测方法及系统在权利要求书中公布了：1.一种基于联邦终身学习的燃气轮机异常检测方法，其特征在于，包括： 1每一客户端实时获取工业过程变量数据，在线数据获取后，判断该数据的工况是否发生变化； 2将获取的工业过程变量数据输入至训练好的全局异常检测模型，获得重构结果，基于重构结果计算监测统计量，并与控制限对比判断获得异常检测结果； 3若步骤1中判断的结果是当前工况是所有客户端未见的工况，则在执行步骤1和步骤2的过程中同时收集当前新工况的工业过程变量数据并存储，构建新工况的训练数据集； 4当存在一客户端构建获得新工况的训练数据集，则每个客户端的本地异常检测模型利用对应的数据以最小化重构误差为目标进行重新训练，同时每间隔固定轮次E上传本地异常检测模型到云端，云端对各客户端的本地异常检测模型进行加权，得到全局异常检测模型后分发给各客户端；全局异常检测模型的聚合方法为： 其中，Θg表示全局异常检测模型，为客户端c的梯度规范化系数，E表示本地异常检测模型每次上传的间隔的训练轮次数目，B表示本地训练的批次大小，λc表示一轮更新期间本地异常检测模型的批次迭代次数，Nc表示客户端c用于训练的对应的数据的数据量，表示向下取整；其中，出现新工况的客户端训练的对应的数据包含新工况的训练数据集和该客户端历史出现过的工况的训练数据集；其他客户端训练的对应的数据包括该客户端历史出现过的工况的训练数据集，所述训练数据集包含对应工况正常运行的工业过程变量数据； 每一客户端中设置有扩散模型库，扩散模型库包括多个扩散模型，多个扩散模型与工况一一对应，并基于对应工况的工业过程变量数据样本，将样本中拟构造缺失部分和不存在缺失的部分分开分别构建与原始训练样本等大小的子样本，每一样本缺失部分的比例与位置随机确定，再以拟构造缺失部分构建的子样本为目标值进行t步扩散得到将扩散后的不存在缺失的部分构建的子样本和扩散步数t输入到扩散模型中，扩散模型预测在前向扩散过程中加入的噪声，通过噪声的真值εt约束扩散模型进行训练获得训练好的扩散模型；所述扩散模型用于生成对应工况下的数据，构建获得对应工况下的训练数据集，并用于客户端本地异常检测模型的训练； 所述扩散模型用于生成对应工况下的数据，具体为： 将高斯噪声作为第T步扩散得到的缺失部分构建的子样本令不存在缺失的部分构建的子样本将t和输入到训练好的扩散模型中，得到模型估计的均值函数和方差函数，从而得到再将和t输入到扩散模型，从而得到重复这一过程，直至得到表示为： 其中，T为扩散的总步数，εθ*表示扩散模型预测的噪声，是方差函数，αt＝1-βt，βt为第t步扩散过程控制噪声幅值小于1的正数，ε为高斯噪声。

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浙江浙能电力股份有限公司萧山发电厂;浙江大学，其通讯地址为：311251 浙江省杭州市萧山区临浦镇；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”。