面向高效通信联邦学习的设备故障诊断方法

摘要

联邦学习在保护隐私情况下实现多工厂故障数据的联合训练建模，但由于工厂设备运行数据异质性大，导致传统联邦学习通信效率低。针对上述问题，提出一种基于高效通信联邦学习的设备故障诊断方法。首先，提出联邦动态加权平衡模型，动态调整工厂子端的训练次数以及上传参数量，通过降低通信时长提高通信效率；其次，提出带注意力机制的双跳门循环单元诊断模型，为不同特征赋予不同权重快速提取故障特征，有效缩短通信轮次提高通信效率；最后，采用西储大学与帕德博恩大学轴承故障数据集进行实验验证。实验结果表明，该方法相较于联邦平均算法与联邦近端算法在故障诊断准确率到达92.20%的同时，通信时长降低了56.88%与53.19%,通信轮次缩短了47.37%与41.18%,有效提升了通信效率。

关键词

故障诊断 / 联邦学习 / 数据异质 / 通信效率 / 动态加权