公开(公告)号：CN118035893A

公开(公告)日：2024-05-14

申请号：CN202410231134.8

申请日：2024-02-29

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  赵智慧 ,  康守强 ,  王庆岩 ,  刘欢 ,  谢金宝

IPC: G06F18/2431 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/098 ,  H04L9/00

Abstract: 一种云边协同联邦模型迁移的滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域。针对机械设备故障诊断中联邦学习框架云端通信成本高以及某种规格滚动轴承带标签样本稀缺，导致诊断准确率低的问题而提出的。该方法将云边协同和联邦学习相结合，构建多用户轴承故障诊断新框架，以减轻云端通信压力；利用残差网络提取振动信号特征，构建多用户本地模型；引入双重加密机制，提升参数传递过程中的安全性；将云边端协同构建的源域共享模型发送至目标域用户，并提出利用自适应微调策略改进模型迁移方法，从而实现多用户孤岛隐私数据下不同规格滚动轴承跨域故障诊断。经实验验证，所提方法相比于传统联邦学习框架在3种数据集上平均节省69.1％的时间成本，有效提高了故障诊断效率、减轻了云端通信开销和计算压力，且跨域故障诊断准确率平均提升8.2％，具有较强的泛化性。