仪器仪表学报

作者：刘伟民，展翼鹤，郑爱云，黄继德，郑直

单位：刘伟民,华北理工大学机械工程学院唐山063210,lzhjia@ncst.edu.cn,展翼鹤,华北理工大学机械工程学院唐山063210,,郑爱云,华北理工大学机械工程学院唐山063210,zay@ncst.edu.cn,黄继德,唐山钢铁集团有限责任公司唐山063600,,郑直,华北理工大学机械工程学院唐山063210,

关键词：联邦学习;长尾数据;注意力机制;非对称卷积;间隔校准算法

基金：河北省自然科学基金项目(E2022209086)、河北省科技重大专项项目(22282203Z)资助

由于无法采集到齿轮和轴承的某样故障类型的充足故障样本，使其呈现长尾分布形式，导致无法有效构建神经网络诊断模型；当引入联邦学习方法解决上述长尾问题时，无法有效地提取尾部故障类型样本的特征信息。针对上述问题，本文提出一种改进联邦学习方法。首先，采用联邦特征对诊断模型再训练，提高对尾部样本的故障特征提取能力；其次，引入CBAM(convolutionalblockattentionmodule)注意力机制，对联邦学习中的ResNet(residualnetwork)网络模型进行改进，增强对通道和空间的关键局部特征信息的提取能力和效率；再次，将传统卷积替换为非对称卷积，增强对样本的非对称特征信息的提取能力和效率；最后，采用间隔校准算法优化网络模型的分类边距，以获取更高的诊断准确率和效率。基于齿轮和轴承的实测故障样本的实验分析可知，所提改进联邦学习方法可有效地提升平均和最高准确率，二者分别为8.78%和3.40%。

来源：2024年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第9期