FedIFL：面向异构故障模式的联邦跨域诊断框架
摘要
由于工业数据稀缺， individual 设备用户（尤其是初创公司）在独立训练综合性故障诊断模型方面面临困难；联邦学习通过确保数据隐私实现协作训练，成为理想解决方案。然而，工作条件的多样性导致故障模式差异，进而在不同客户之间产生不一致的标签空间。在联邦诊断场景中，标签空间不一致导致局部模型聚焦于客户特定的故障模式，并使不同客户的局部模型将不同的故障模式映射到相似的特征表示，从而削弱了聚合全局模型的泛化能力。为解决此问题，本文提出了称为 Federated Invariant Features Learning（FedIFL）的联邦跨域诊断框架。在客户内部训练中，prototype 对比学习缓解客户内部领域偏移，随后特征生成确保局部模型以隐私友好的方式访问其他客户的分布。在跨客户训练中，引入特征解耦机制以缓解跨客户领域偏移，具体地，设计了实例级联邦一致性损失以确保不同客户之间不变特征的实例级一致性，进而构建联邦实例个人化损失和正交损失，以区分来自不变特征的特定特征。最终，聚合模型在全局标签空间上实现了优异的泛化，使其能够准确诊断标签空间不一致的目标客户的 Motor Driven Systems（MDS）。实验在真实 MDS 上验证了 FedIFL 在处理异构故障模式的联邦跨域诊断中的有效性和优越性。
引用
@article{arxiv.2505.07315,
title = {FedIFL: A federated cross-domain diagnostic framework for motor-driven systems with inconsistent fault modes},
author = {Zexiao Wang and Yankai Wang and Xiaoqiang Liao and Xinguo Ming and Weiming Shen},
journal= {arXiv preprint arXiv:2505.07315},
year = {2026}
}
备注
The paper is being withdrawn as we found that it did not fully articulate the representation of deep implicit features, which is the core focus of our work. Additionally, the experiments were incomplete and lacked sufficient analysis. We plan to revise the paper, clarify these aspects, and enhance the experimental validation before resubmitting