基于边界引导参数解耦-共识的联邦域泛化框架在机械故障诊断中的创新应用

本文提出边界引导参数解耦-共识（MGPDC）框架，通过联邦元学习构建通用特征提取器，结合参数解耦共识协同（PDCS）机制与自适应全局边界引导（AGMG）策略，有效解决联邦域泛化（FDG）中的客户端数据异质性和隐私保护难题，显著提升机械故障诊断模型在未知工况下的泛化性能。

　　

Highlight

本研究针对隐私敏感场景下跨客户端数据异质性难题，提出创新性边界引导参数解耦-共识（MGPDC）框架。该框架突破传统联邦域泛化（FDG）方法对深度特征和统计信息的依赖，通过参数层面与类别边界层面的双重优化，实现跨客户端共性知识的有效提取。

Introduction

旋转机械在工业制造中具有关键作用。作为核心部件的滚动轴承长期在变载荷与恶劣环境下工作，易发生故障并引发严重事故。基于工业大数据的智能故障诊断技术虽取得显著进展，但模型性能高度依赖大量标注数据。现实中机械设备难以长期处于故障状态采集数据，且标注成本高昂，导致单一机构难以获取足够样本。联邦学习（Federated Learning）通过本地训练与参数聚合的方式，在保护数据隐私的前提下突破"数据孤岛"困境。然而现有方法基于独立同分布（IID）假设，实际工业场景中因工况、故障类型等因素导致数据呈非独立同分布（Non-IID）特性，引发"客户端漂移"现象：1）全局模型对部分客户端过拟合；2）模型更新方向冲突导致收敛困难；3）数据异质性阻碍共性知识提取。

为应对这些挑战，域泛化（Domain Generalization, DG）被引入联邦学习体系。现有联邦域泛化方法多采用对抗性特征对齐或数据增强策略，仍需传输深度特征与统计信息，存在隐私泄露风险。更关键的是，客户端漂移导致模型参数更新冲突：本地重训练与全局聚合间的参数更新方向不一致，阻碍共性知识提取与模型泛化。

本研究提出MGPDC框架，通过参数解耦-共识协同（PDCS）机制与自适应全局边界引导（AGMG）策略，实现：1）基于联邦元学习的通用特征提取器构建可迁移共享特征空间；2）通过参数一致性隔离模块实现参数解耦，抑制更新冲突；3）对高一致性参数实施隐式对齐映射与动态加权聚合；4）通过约束跨客户端最大类别边界实现自适应边界引导，锐化模糊的类别边界。

Conclusions

MGPDC框架从参数与边界两个维度突破传统联邦域泛化方法的局限，通过元学习驱动特征提取、参数解耦共识机制与自适应边界引导策略，显著提升模型在未知工况下的泛化能力与收敛效率。实验验证了该方法在风电齿轮箱故障诊断中的有效性与先进性。