机械工程学报

作者：李响, 付春霖, 雷亚国, 李乃鹏, 杨彬

单位：西安交通大学现代设计与转子轴承系统教育部重点实验室 西安 710049

关键词：机械装备,故障诊断,数据隐私,联邦学习,迁移学习；

基金：国家自然科学基金(52005086)、压缩机技术国家重点实验室(压缩机技术安徽省实验室)开放基金(SKL-YSJ202104)和中央高校基本科研业务费(xzy012022062)资助项目。

大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果，当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型，然而在实际工程问题中，单一用户往往难以收集充足的高质量训练数据，因此智能诊断方法的实际应用仍存在巨大困难。在工业界，多个用户往往拥有相似的机械装备与各自收集的监测数据，因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而，数据隐私性至关重要，不同用户往往不愿将私有数据与其他用户共享，给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法FedTL，各用户私有数据不出本地完成模型训练，多用户间传输共享数据高级表征；提出软标签信息传输方法，通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递；考虑多用户装备工况不同等场景，提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证，结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。

来源：2023年第6期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第6期