仪器仪表学报

作者：陈 曦，王 辉，陆思良，严如强

单位：陈 曦,1. 东南大学仪器科学与工程学院,,王 辉,2. 上海航天电子技术研究所,,陆思良,3. 安徽大学电气工程与自动化学院,,严如强,1. 东南大学仪器科学与工程学院，4. 西安交通大学高端装备研究院,

关键词：联邦学习;轴承;剩余寿命预测;卷积神经网络

基金：国家自然科学基金(52275130)项目资助

现有数据驱动下的轴承寿命预测方法往往使用特定工况的数据训练相应工况的模型,忽略了其他工况数据所蕴含的有益退化特征,导致模型预测精度受限。为了充分挖掘和利用不同工况下的轴承退化特征,本文提出基于个性化联邦学习的轴承寿命预测方法(ALC-PFL)。在该方法中,不同工况轴承的监测数据被存储于多个客户端,一个中心服务器与多个客户端协同工作,以模型传输、融合和本地更新的方式,为客户端建立个性化预测模型。提出自适应本地融合算法,将中心服务器聚合的全局模型与客户端本地模型有效融合,保留有助于客户端初始化模型的退化特征,以提升预测性能。用两个轴承数据集对所提方法进行验证,结果表明其能为不同工况的轴承搭建高性能寿命预测模型,与本地训练方法相比,该方法所得均方根误差降低了至少13%。关键词:联邦学习;轴承;剩余寿命预测;卷积神经网络

来源：2023年第12期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2023年第12期