云边协同联邦学习的滚动轴承跨域故障诊断方法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

云边协同联邦学习的滚动轴承

跨域故障诊断方法研究

摘要

滚动轴承是广泛应用于工业旋转机械设备中的关键组件之一，对其进行有

效的故障诊断可及时规避重大事故发生风险。随着人工智能的快速发展，轴承

故障诊断技术逐渐进入“大数据”时代。目前集中式智能故障诊断技术在处理

多用户分布于不同地理位置聚集的大规模轴承数据时，易导致数据隐私泄露、

诊断效率不高。另外，某种规格滚动轴承带标签样本稀缺，使得诊断准确率较

低。因此，利用边缘服务器的先天优势，结合联邦迁移学习，建立有效的跨域故

障诊断模型具有重要意义。针对上述问题，提出两种滚动轴承故障诊断方法。

（1）提出一种云边协同联邦学习的滚动轴承故障诊断方法，以解决多用户

之间存在数据孤岛以及诊断效率受限的问题。该方法将云边协同框架和联邦学

习相结合，以降低多用户下全局共享模型训练的时间成本。利用残差网络提取

振动信号特征，构建多用户本地模型。同时引入混沌加密和DNA加密相结合的

双重加密机制增强参数传递过程中的安全性。实验结果表明，所提方法在保护

隐私数据的前提下，大大减少参与用户与云服务器之间的交互次数，降低通信

成本，有效提高通信效率。

上述方法虽然打破了多用户之间存在的数据壁垒，有效缓解云服务器的计

算压力，高效完成故障诊断，但当联邦用户中某种规格滚动轴承带标签样本稀

缺时，诊断效果会变得很差，因此提出另一种滚动轴承故障诊断方法。

（2）提出一种云边协同联邦学习的滚动轴承跨域故障诊断方法，构建不同

规格滚动轴承跨域故障诊断模型。所提方法引入模型迁移，提出一种自适应微

调方法，通过动态选择冻结层数，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3种数据集实验验证，所提方法相比于传统联邦学习

框架平均节省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。

关键词联邦学习；云边协同；迁移学习；滚动轴承；故障诊断

-I-

哈尔滨理工大学电子信息硕士学位论文

ResearchonCross-domainFaultDiagnosis

MethodforRollingBearingswithCloud-edge

CollaborativeFederatedLearning

Abstract

Rollingbearingsareoneofthekeycomponentswidelyusedinindustrialrotating

machineryandequipment,andeffectivefaultdiagnosiscanavoidtheriskofmajor

accidentsinatimelymanner.Withtherapiddevelopmentofartificialintelligence

technology,bearingfaultdiagnosistechniquesaregraduallyenteringtheeraofbig

data.Atpresent,centralizedintelligentfaultdiagnosistechnologyiseasytoleadto

dataprivacyleakageandlowdiagnosticefficiencywhendealingwithlarge-scale

bearingdatadistributedbymulti-usersindifferentgeographiclocations.Inaddition,

thescarcityoflabeledsamplesforr