-
题名基于个性化联邦域泛化框架的旋转机械故障诊断方法
- 1
-
-
作者
李晔
杨京礼
高天宇
陈寅生
尹双艳
-
机构
哈尔滨工业大学电子与信息工程学院
哈尔滨理工大学测控技术与通信工程学院
-
出处
《仪器仪表学报》
北大核心
2025年第8期75-86,共12页
-
基金
国家自然科学基金(62403164)
中国博士后科学基金(2024M754184)项目资助。
-
文摘
在智慧工厂加速落地的背景下,尽管分布式工业环境中各企业及工厂管理的相似旋转机械设备具有潜在的协同诊断价值,但受数据隐私保护要求无法进行共享,同时运行工况差异导致采集的数据呈现非独立同分布特性,严重制约不同客户端高效诊断模型在变工况场景中的泛化能力。为应对这些挑战,提出了一种基于个性化联邦域泛化框架的旋转机械故障诊断方法,在不共享本地数据的前提下,通过端间协同通信与本地个性化更新的交替对抗优化,有效提升边端诊断模型的泛化性与鲁棒性。其中,诊断模型基于隐态卷积网络构建,采用输入驱动的特征自适应方式实现灵活建模。在端间协同通信阶段,以公开数据集为媒介引导边端模型在共享语义空间中知识迁移,并引入结果一致性约束提升通信效率。在本地更新阶段,为防止对本地知识的遗忘,结合本地性能约束与自蒸馏机制,引导个性化保护下的模型优化,确保边端模型的本地诊断稳定性。在华中科技大学轴承数据集与机械综合诊断平台轴承数据集上进行实验验证,所提方法在两个数据集上的全局工况平均准确率分别为88.96%与92.33%,整体优于多种先进方法。该方法在提升边端模型跨域泛化能力的同时,保持了其稳定可靠的本地诊断性能。
-
关键词
旋转机械故障诊断
隐私保护
数据分布异构
联邦域泛化学习
个性化边端模型
-
Keywords
rotating machinery fault diagnosis
privacy preservation
data distribution heterogeneity
federated domain generalization learning
personalized edge-end model
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
