面向旋转机械多任务故障诊断的个性化联邦学习
机器学习
2022-11-18 v1 人工智能
摘要
智能故障诊断对机械安全运行至关重要。然而，由于现场机械故障样本稀缺及数据异构，基于深度学习的诊断方法易过拟合且泛化能力差。为解决该问题，本文提出一种个性化联邦学习框架，以隐私保护方式实现跨多工厂的多任务故障诊断方法。首先，利用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机械归类为机器组。然后，构建基于卷积神经网络的多任务深度学习模型，通过异构信息融合诊断机械多种故障。最后，提出个性化联邦学习框架，采用自适应分层聚合策略解决不同机器间数据异构。基于真实机械采集数据的案例研究验证了所提框架有效性。结果表明，采用所提个性化联邦学习可显著提升诊断准确率，尤其对故障样本稀缺的机械。
引用
@article{arxiv.2211.09406,
title = {Personalized Federated Learning for Multi-task Fault Diagnosis of Rotating Machinery},
author = {Sheng Guo and Zengxiang Li and Hui Liu and Shubao Zhao and Cheng Hao Jin},
journal= {arXiv preprint arXiv:2211.09406},
year = {2022}
}