将连续状态变化建模为流形传输：一种用于未知领域故障诊断的联邦学习方法

《Knowledge-Based Systems》：Modeling Continuous Condition Shifts as Manifold Transport: A Federated Approach to Fault Diagnosis in Unknown Domains

　　摘要：在未知工作条件下实现可靠的故障诊断仍是安全关键的工业系统面临的挑战。现有的联邦学习方法由于严重的统计异质性而往往无法泛化，从而导致诊断性能受限，并可能带来安全隐患。为了解决这一问题，本文提出了一种强大的联邦动态流形迁移（FedDMT）框架，用于个性化故障诊断。该框架基于物理惯性原理，引入残差神经漂移映射（RNSM）模块，将工作条件变化建模为连续的传输向量场，为探索未知工作条件的分布提供可靠的方向依据。此外，还在服务器上构建了联邦漂移库，用于聚合通用的物理漂移模式。然后，将这些全局漂移模式注入本地模型，生成考虑不确定性的反事实样本，从而提供多样化的特征表示并模拟随机波动。这确保了模型在未知目标领域的强大泛化能力。在三个数据集上的大量实验表明，FedDMT在诊断精度和系统鲁棒性方面显著优于现有的最先进方法，为对风险敏感的工业协同维护提供了可靠的解决方案。

引言：在现代工业系统中，基于深度学习的故障诊断技术在确保风力涡轮机和燃气轮机等旋转机械的安全运行方面取得了显著成果[1,2]。然而，在实际的工业应用中，高质量的故障数据往往分散在不同的运营实体或地理区域，导致严重的数据孤岛现象[3]。由于商业保密性和隐私法规的限制，将这些分散的数据集中到单个服务器上进行训练是不切实际的。联邦学习作为一种分布式且能保护隐私的计算范式，使得不同的客户端能够在不共享原始数据的情况下协作训练模型，为打破这些数据壁垒提供了有希望的解决方案[4,5]。虽然传统的联邦学习方法（如FedAvg [6]）在独立同分布数据上表现优异，但在工作条件多变的情况下，其性能会显著下降。这是因为现实世界中的物理系统会受到各种环境因素的影响，如转速波动、负载变化以及机械惯性[7,8]。因此，从不同客户端收集到的振动信号表现出强烈的统计异质性（即非独立同分布）。这就导致在训练过程中本地模型参数出现分歧，进而引发全局聚合模型中的严重客户端漂移，阻碍模型向最优解的收敛[9,10]。更具有挑战性的是，在实际的诊断任务中，目标设备往往面临训练时未曾遇到过的完全新的工作条件（目标领域）[11]。传统的联邦迁移学习或联邦域适应通常假设在训练期间至少部分可获取目标领域的数据（即使是未标记数据）。这一假设在冷启动或实时监控场景中显然不适用[12,13]。因此，人们提出了联邦域泛化技术，并已得到应用。FedDG将域泛化扩展到分布式环境，使其能够在不访问目标数据的情况下，从分布式源领域学习出强大且具有泛化能力的知识，并将这些知识应用于未知的目标领域[14,15]。它已成为突破工业智能运维瓶颈的一项关键技术。现有的联邦域泛化研究主要聚焦于分布对齐、数据处理、学习策略以及聚合优化等方面。尽管这些方法在一定程度上缓解了数据异质性问题，但它们通常隐含地将工作条件视为离散的领域，忽视了机械系统固有的连续流形演化特性。第2节将对这些范式进行系统性回顾，并详细分析其当前的局限性。此外，考虑到不同客户端往往拥有不同的设备配置或独特的运行环境，相比协作训练一个通用的全局模型，让每个客户端优先确保其本地模型在其自身未来可能遇到的未知条件下的鲁棒性更为合适。因此，上述场景可被称为自我服务型联邦域泛化（SSFDG），其核心价值在于利用他人的共享知识来提升本地模型对其特定目标领域的泛化能力。SSFDG本质上属于个性化联邦学习范畴。图1展示了传统域泛化、传统联邦域泛化与SSFDG的对比示意图。SSFDG更符合工业业务逻辑，避免了因强行对齐不同设备的特征而导致的性能折损。基于以上分析，本文提出了一种用于个性化故障诊断的联邦动态流形迁移（FedDMT）框架。该方法侧重于学习工作条件变化的动态模式，而不仅仅是消除领域差异。FedDMT首先采用软解耦技术将故障特征与与工作条件相关的环境特征分开。接着，设计残差神经漂移映射（RNSM）来捕捉不同工作条件之间的非线性漂移。此外，还在服务器上构建了联邦漂移库，用于聚合来自各客户端的非线性漂移，从而获得全局漂移模式。最后，客户端整合这些全局漂移模式，为本地模型的增强训练生成反事实样本，从而在未知工作条件下实现强大的泛化能力。本文的主要贡献如下：(1)本文提出了一种专为动态工业场景设计的个性化联邦诊断框架（FedDMT）。通过采用软解耦和流形迁移策略，该框架能够在未知目标工作条件下实现可靠的故障识别。(2)本文提出了残差神经漂移映射（RNSM）和考虑不确定性的个性化重构（UAPR）策略，通过模拟连续的工作条件变化来生成多样化的反事实样本，从而提升模型训练效果。该方法将工作条件变化建模为非线性传输映射，并引入考虑不确定性的扰动，迫使模型建立更强大的决策边界，显著提升了模型对未知工作条件波动的适应性。(3)本文基于物理特性构建了联邦漂移库，克服了传统联邦学习仅能共享静态知识的局限性。通过根据物理语义聚合来自不同客户端的RNSM参数，可以提炼出通用的运行演化知识库。这使得那些操作数据较少的本地设备能够安全地注入全局知识，生成高质量的反事实样本，从而在保护数据隐私的同时实现泛化能力的协同提升。