-
题名基于联邦对比学习的航天器故障诊断
- 1
-
-
作者
杨夏洁
林子谦
徐丹丹
尤艳丽
樊重俊
-
机构
上海理工大学管理学院
上海市静安区业余大学(上海开放大学静安分校)
-
出处
《计算机应用研究》
北大核心
2025年第8期2467-2473,共7页
-
文摘
航天器故障诊断通常通过判读遥测参数实现,然而,遥测到的时间序列数据由航天器各个关键设备采集,呈非独立同分布(non-independent identically distribution,Non-IID),传统的联邦学习方法在面对此类数据时,会因为局部模型更新导致模型偏移。针对上述问题,提出联邦优化算法——联邦对比时序诊断FclTAD,主要通过分析航天器Non-IID时序数据,判断某时刻航天器是否存在异常,能及时进行干预。首先建立了联邦对比时序诊断算法,算法分为局部更新和全局聚合两阶段,局部更新利用自编码器,有效捕捉时间序列中的长期依赖和非线性关系,引入联合对比正则化损失,增强模型故障诊断的判别能力;其次考虑传感器之间的差异,全局聚合阶段,通过规范化和加权聚合策略,适当修正不一致的局部更新,减少错误更新对全局模型的负面影响。最后,利用NASA公开数据集MSL和SMAP以及机器预测服务器数据集(PSM)进行仿真实验。实验结果表明,所提出的方法与其他方法相比,在航天器Non-IID时序数据故障诊断精确度可提高约14.37%,调整后F 1值提高约7.82%,在保护航天器数据隐私的同时,既考虑了“客户漂移”问题,又较好地利用了局部和全局模型的内在关系。
-
关键词
联邦学习
故障诊断
时间序列
对比学习
航空航天
-
Keywords
federated learning
fault diagnosis
time series
comparative learning
aerospace
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
