FedCMCN:一种用于非独立同分布条件下智能轴承诊断的边缘-云协同联邦学习方法
《Expert Systems with Applications》:FedCMCN: an edge-cloud collaboration federated learning method for smart bearing diagnosis under non-IID condition
【字体:
大
中
小
】
时间:2026年01月10日
来源:Expert Systems with Applications 9.4
编辑推荐:
吴启航|沈建标|周新武|陈文豪|丁晓溪中国重庆大学机械与车辆工程学院,重庆400044摘要为减轻由数据孤岛效应及运行条件差异导致的非独立同分布故障数据带来的影响,本研究提出了一种用于智能轴承诊断的边缘-云协作联邦学习框架。首先,受轴承故障信号机制和浅层学习思想的启发,设计了一种带
吴启航|沈建标|周新武|陈文豪|丁晓溪中国重庆大学机械与车辆工程学院,重庆400044摘要为减轻由数据孤岛效应及运行条件差异导致的非独立同分布故障数据带来的影响,本研究提出了一种用于智能轴承诊断的边缘-云协作联邦学习框架。首先,受轴承故障信号机制和浅层学习思想的启发,设计了一种带有一系列可学习特征分离核的受限乘法-卷积网络。这些特征分离核具有模式敏感性,能够在学习过程中有效分离出模式内的故障特征。在损失函数中引入了与故障特征能量相关的残差能量比约束项,从而提升特征分离核精准定位故障模式的能力。此外,由于特征分离核的加性特性,该网络能够有效克服联邦学习聚合过程中因非独立同分布数据而产生的参数偏移问题。因此,基于该网络的边缘-云协作联邦学习框架被提出,以便在非独立同分布条件下实现准确的故障诊断。该模型在边缘侧的特征诊断节点进行训练,通过无线传输到云端的知识聚合节点进行聚合处理,然后再下载回边缘节点进行故障诊断。实验结果表明,所提出的框架具有最高的故障识别精度和出色的边缘端性能。在面对各种非独立同分布数据场景时,与其他先进的联邦学习方法相比,该框架能实现最高的平均识别精度,并且具备更好的稳定性。此外,在边缘侧特征诊断节点进行单次训练仅需0.17秒,能耗为1.89焦耳,而一次边缘-云模型传输仅需13毫秒。低延迟、高精度以及高能效的结合使得该方法在工业场景中的实际应用前景十分广阔。引言轴承作为机械设备中的关键部件,直接影响设备的运行可靠性和安全性(Liu等人,2023)。随着越来越多的设备连接到工业物联网上,及时监测和诊断轴承状态已成为设备状态评估的重点(Wu等人,2024)。传统的轴承状态诊断和评估方法主要围绕信号处理展开,通过特征提取技术从振动信号中获取有用的故障信息(Liao等人,2024;Sikora等人,2025)。常见的特征提取方法包括包络解调、小波包分解以及冲击脉冲法(Xu等人,2021)。然而,这类后处理方法在实时监测中的应用存在局限性,且高度依赖专家知识。近年来,以卷积神经网络为代表的深度学习方法因其强大的特征挖掘能力和端到端训练特性而受到广泛关注(Liu等人,2018;Al-Zwainy等人,2021;Al-Somaydaii等人,2024;Al-Zwainy等人,2024)。为了更有效地挖掘故障特征,Wang等人(2019)提出了一个多分辨率多传感器融合网络用于电机故障诊断。Shao等人(2020)则提出了一种基于深度卷积神经网络的多层模型,该模型采用并行网络结构来提取多种信号特征。上述方法有效避免了了对专家知识的依赖。然而,模型的庞大体积以及事后诊断的特性限制了其在工业物联网场景及实时推理中的应用。随着越来越多的设备连接到工业物联网,以及边缘计算技术的快速发展,基于边缘设备的实时设备状态评估方法受到了广泛关注(Wu等人,2025;Lu等人,2023)。对于工业物联网的实时监测,Zielonka等人(2024)开发了一种非侵入式实时诊断系统。该系统部署在边缘硬件上,通过基于二型模糊控制模型监测振动、温度和空气质量等参数来实现车辆故障检测。尽管该系统在实时监测和早期故障检测方面表现优异,但它仍然严重依赖需要长期经验积累的专家知识。对于端到端的智能故障诊断而言,智能模型的轻量化设计是决定其在工业物联网环境中应用能力的关键因素,尤其是考虑到边缘硬件的计算限制。Wang等人(2022)提出了一种轻量级多传感器融合模型,通过使用深度可分离卷积来实现模型压缩。另一种方法是设计轻量级模型。Yan等人(2024)提出了一种名为LiConvFormer的轻量级故障诊断模型,该模型利用可分离多尺度卷积和广播自注意力机制来替代众多隐藏层。此外,经过精心设计的浅层学习模型也展现出了出人意料的性能(Li等人,2022)。Li等人(2022)提出了一种仅包含三层的可解释深度神经网络。在第一层引入了连续小波卷积层以实现精确的特征提取。这些方法能够高效诊断的核心在于建立了原始数据与故障模式之间的准确映射关系。然而,这些方法面临着一个重大挑战:一旦原始数据受到分布差异的影响,模型就会失效。为此,一些领域自适应方法被设计出来以克服原始数据的分布差异。Mukherjee等人(2023)提出了一种通用领域自适应方法,旨在实现跨领域的轻量级机器状态监测。该方法通过连续小波变换和主成分分析提取与领域无关的特征,使模型在源领域训练后可直接泛化到目标领域。Wu等人(2025)提出了一种用于不同速度条件下边缘诊断的阶数稀疏滤波网络,该网络通过从阶数谱中提取与自然领域无关的故障特征来实现跨工况的故障识别。然而,在实际的工业现场,每个边缘设备都无法收集完整的故障模式,这就导致了原始数据中的状态样本出现不平衡。由于数据隐私的原因,这种不平衡现象很难解决,进而严重影响了前述模型的性能。联邦学习方法通过无需共享各参与方的本地原始数据,即可聚合各方的模型参数,从而有效缓解状态样本不平衡的问题(Mehta等人,2023;Xiao等人,2024;Cai等人,2024;Yang等人,2024)。具体而言,每个用户首先基于本地数据独立训练模型,然后将模型参数上传到服务器进行聚合,从而构建出适用于多个用户的通用诊断模型。Mehta等人(2023)提出了一种用于旋转机械混合故障诊断的联邦学习方法,用以克服故障标签分布极度不平衡且异构的问题。然而,大多数实际的工业领域数据都遵循非独立同分布的数据模式,其具体表现为状态样本不平衡以及运行条件不平衡。这类非独立同分布数据会导致分类精度相比独立同分布数据下降约3%(Mehta等人,2023)。精度下降的原因是非独立同分布数据使得局部梯度更新与全局梯度方向不一致,增加了训练过程中的波动。此外,Xiao等人(2024)明确指出,非独立同分布数据会导致本地模型的目标函数和参数偏离全局模型,阻碍聚合过程,进而使得加权平均损失函数无法准确反映全局数据分布,从而削弱模型的鲁棒性。另外,在多源领域环境中,不同数据具有不同的统计特性,这使得联邦学习模型难以泛化到新的领域或未知故障。直接聚合会导致特征模糊。Cai等人(2024)的实验结果表明,在非独立同分布数据情况下,若不进行特征对齐,模型的诊断精度会降低约15%。为了解决这些问题,Yang等人(2024)提出了一种通过分布重心介质框架实现的定向迁移学习方法。该联邦学习框架通过分布中心点的介质间接对齐各数据的分布,从而减轻目标函数中的冲突,减少不同领域之间的联合分布差异。不过,在该框架中,客户端侧采用深度残差网络进行特征提取,而服务器侧则使用堆叠自编码器来生成分布中心介质(Yang等人,2024)。这类模型结构较为复杂,难以在计算资源有限的边缘设备上部署。此外,大量参数的模型传输还会导致延迟,而且多个客户端产生的特征空间差异也被忽视了。因此,为了解决由非独立同分布数据带来的参数偏移和特征空间不匹配等问题,亟需开发出轻量级的联邦学习方法。为了解决这些问题,本研究提出了一种用于非独立同分布条件下智能轴承诊断的边缘-云协作联邦学习方法。首先,受轴承故障信号机制和浅层学习思想的启发,本研究提出了一种轻量级的受限乘法-卷积网络。在该网络的第一层,设计了一系列可学习特征分离核,以实现高效的故障特征提取,从而避免使用过多的模型层。在特征分离核的学习过程中,通过在损失函数中引入残差能量比约束项,使得这些特征分离核能够有效定位故障调制模式。此外,还提出了一种基于该网络的边缘-云协作联邦学习框架,以便在非独立同分布条件下实现准确的故障诊断。在该框架中,初始的受限乘法-卷积网络在云端知识聚合节点生成,然后将其参数下载到边缘侧的特征诊断节点,以便根据本地数据更新模型参数。随后,部署在各个轴承上的特征诊断节点会将训练好的受限乘法-卷积网络参数上传到云端知识聚合节点进行参数聚合,然后再下载回各个特征诊断节点。这样一来,由于特征分离核具有线性加性特性,聚合后的全局模型能够保留每个边缘领域的特征优势。基于此,所提出的框架能够有效克服由数据孤岛效应及运行条件差异导致的非独立同分布数据带来的影响。此外,由于受限乘法-卷积网络结构较为简单,该模型可以部署在计算资源有限的边缘设备上,从而在保持低参数传输延迟的同时实现高效的训练和推理过程。本研究的贡献可总结如下:1)受轴承故障信号机制的启发,本研究提出了一种轻量级的受限乘法-卷积网络,通过可学习的特征分离核及残差能量比约束实现精确的故障特征提取。2)从信号处理与深度学习相结合的角度出发,利用可学习特征分离核提取的故障信号特征,增强了联邦学习过程中参数聚合的稳定性。3)设计了一种基于受限乘法-卷积网络的边缘-云协作联邦学习框架。所提出的框架利用该网络的浅层结构以及特征分离核的加性特性,有效解决了非独立同分布数据下的参数偏移和特征空间不匹配问题,实现了在边缘端的高效部署。本文的其余部分安排如下:第2节介绍轴承故障信号机制及联邦学习技术。第3节阐述所提出的方法。第4节通过实验验证该方法的有效性及边缘端性能。第5节总结研究结论与优势。轴承故障信号机制从轴承故障信号机制的角度来看,当轴承正常运转时,各部件之间的随机冲击会产生短期冲击信号,这些信号会使轴承以自然频率振动并逐渐衰减(Wu等人,2024)。假设冲击发生的周期为T,冲击激发的固有频率振荡函数为s(t),第k次冲击响应的幅值为Ak,背景噪声为n(t)。在没有动机的情况下,在实际的工业现场,同一类型轴承故障的数据往往由不同的操作人员采集。这种普遍存在的数据孤岛现象会导致样本量较小且分布极为不平衡。在独立同分布条件下,小样本问题可以通过联邦学习模型得到有效解决。然而,包括类型不平衡和运行状态不平衡在内的分布差异具有非独立同分布特征,这严重限制了故障识别的性能。数据集描述:公开的北京交通大学- Rao转向架数据集来自中国北京交通大学(Ding等人,2024年)。如图7(a)所示,实验装置主要由牵引电机、驱动齿轮箱、右轴箱和左轴箱组成。在本研究中,选择了左轴箱轴承作为测试对象。该轴承存在五种不同状态,分别是正常状态、轴承内圈故障、轴承外圈故障、轴承滚动体故障以及轴承保持架故障。结论:为了解决实际工业环境中由于数据孤岛以及不同运行条件导致的非独立同分布故障数据给轴承故障诊断带来的挑战,本研究提出了一种新型的边缘-云端协同联邦学习框架。首先,受轴承故障信号机制和浅层学习的启发,本研究提出了CMCN模型。在CMCN的第一层,设计了一系列可学习的频移键控序列,以实现高效的故障特征提取,从而避免不必要的处理。利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢:本研究得到了中国国家重点研发计划项目2024YFB3409103、2023YFB3406300的支持,同时部分资金还来自中国自然科学基金项目52035002。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号