仪器仪表学报

作者：康守强，杨加伟，王玉静，王庆岩，谢金宝

单位：康守强,1. 哈尔滨理工大学测控技术与通信工程学院,,杨加伟,1. 哈尔滨理工大学测控技术与通信工程学院,,王玉静,1. 哈尔滨理工大学测控技术与通信工程学院,,王庆岩,1. 哈尔滨理工大学测控技术与通信工程学院,,谢金宝,2. 海南师范大学,

关键词：不同工况;域适应;联邦学习;滚动轴承;故障诊断

基金：国家自然科学基金(52375533)、山东省自然科学基金(ZR2023MEO57)项目资助

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法。该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。经两种轴承数据集的实验验证,所提方法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达97.6%,相比单一用户建模提升至少3.2%。

来源：2023年第6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6期