基于去中心化联邦时序域自适应的旋转机械多功能健康状态评估方法研究

本文提出了一种创新的DF-MTADA框架（去中心化联邦时序域自适应），通过时序对抗域适应（TADA）模型实现跨工况特征对齐，结合通道注意力机制增强1D-CNN时序特征提取能力，同步完成健康阶段（HS）划分、剩余使用寿命（RUL）预测和可靠性（RA）评估。采用去中心化联邦学习（DeceFL）解决工业数据孤岛问题，在IEEE PHM 2012和XJTU-SY数据集上验证了方法的优越性，双预测功能平均误差仅0.087，识别准确率达0.94。

　　

亮点

• 提出DF-MTADA框架，实现健康阶段（HS）划分、剩余使用寿命（RUL）预测和可靠性（RA）评估三位一体

• 设计时序对抗域适应（TADA）模型，通过编码器-判别器对抗训练对齐跨域特征分布

• 采用去中心化联邦学习（DeceFL）打破数据孤岛，在保护隐私前提下实现多客户端协同训练

方法学

本节首先介绍用于跨工况适应的TADA模型，该模型通过集成通道注意力的1D-CNN提取时序特征，并利用对抗训练消除域间分布差异。随后阐述多功能HSA模块的三大核心功能：基于3σ准则的健康阶段划分、结合BiGRU的RUL预测、以及融合有限元模拟的RA评估。最后提出DF-MTADA框架，采用时变拓扑结构实现去中心化联邦训练，其架构如图1所示。

实验与分析

采用IEEE PHM 2012和XJTU-SY轴承数据集验证框架性能。与TCA、TCNN等传统迁移学习方法相比，TADA模型在跨工况场景下表现突出：RUL预测平均绝对误差降低23.6%，HS划分准确率提升15.2%。DeceFL训练模式下，各客户端模型性能方差控制在0.01以内，显著优于集中式联邦学习。

多功能TADA结果讨论

对比实验显示，TADA在6种基线模型中综合性能最优：

1. 1.

   在PHM2012数据集上，RUL预测误差较次优模型UDSCNN降低18.3%

2. 2.

   早期故障识别F₁-score达0.91，比SLARDA提高0.12

3. 3.

   对抗训练使域间特征距离缩减62%，验证了通道注意力机制对关键退化模式捕捉的有效性

结论与展望

本研究提出的DF-MTADA框架为旋转机械健康管理提供了创新解决方案，其三大突破在于：

1. 1.

   多功能集成评估体系

2. 2.

   基于对抗学习的域适应架构

3. 3.

   隐私保护的分布式训练范式

   未来将探索多模态数据融合和边缘计算部署，进一步推动工业健康管理智能化发展。