基于物理增强的联邦持续学习在旋转机械故障诊断中的应用

《Neurocomputing》：Physics-augmented federated continual learning for rotating machinery fault diagnosis

　　

摘要

旋转机械的故障诊断越来越依赖于分布式振动数据，但由于隐私限制，这些数据无法集中处理。联邦学习能够实现隐私保护下的协作，但在实际应用中，系统需不断适应新的故障类型和变化的运行条件，这往往会导致灾难性遗忘和负面迁移现象。我们提出了物理增强型联邦持续学习（PA-FCL），这是一种基于联邦学习的类别增量式持续学习框架，通过频谱一致性重放机制将振动信号的物理特性融入其中。PA-FCL包含以下要素：（i）一种频谱一致性信号生成器，可无需共享原始测量数据即可实现针对特定条件的无数据重放；（ii）一种基于物理相似性（如速度/负载）的条件感知知识蒸馏方法，用于减少负面迁移；（iii）一种频率正则化优化策略，可稳定诊断用频谱特征。在三个公开的旋转机械数据集（CWRU、JNU和XJTU）上的实验表明，与常见的联邦学习基准方法相比，PA-FCL的准确率提升了22.06%，遗忘现象减少了46.83%。研究结果表明，PA-FCL为非静态振动信号的联邦持续学习提供了有效解决方案。

引言

旋转机械——如电机、轴承和减速器——的故障诊断对于现代工业系统的安全与效率至关重要。这类组件广泛应用于风力发电机、智能生产线以及高速运输系统中[1]、[2]、[3]，在这些场景中，及时准确地检测机械故障对于避免意外停机及经济损失极为重要。近年来，基于深度学习的诊断方法在振动故障识别领域展现了出色的性能[4]、[5]、[6]。然而，现有方法大多依赖完整且静态的集中式训练数据，而由于数据隐私法规、传感器配置的多样性以及有限的通信带宽，这种做法在现实工业环境中往往难以实施[7]、[8]。此外，实际运行环境并非恒定不变：转速、机械负载及故障严重程度的变化会导致不同场所的数据分布发生偏移，进而影响模型的泛化能力和扩展性。

联邦学习作为一种新兴技术，可通过无需共享原始振动数据即可实现模型协同训练，为解决上述问题带来了希望[9]、[10]、[11]。尽管联邦学习能有效保护数据隐私，但现有的大多数联邦诊断方法都假设任务分布是静态的，且各客户端会同步参与训练[12]、[13]、[14]。而在现实工业场景中，故障类型会逐渐出现，运行条件也会随时间变化，这些假设往往不成立。因此，诊断模型必须不断适应新任务，否则容易出现灾难性遗忘且性能不稳定。

为解决这一问题，联邦类别增量学习（FedCIL）被提出，用于支持分布式环境中的序列学习[15]、[16]、[17]、[18]。不过，现有的FedCIL方法主要针对视觉或语言数据设计，将持续学习视为纯数据驱动的问题，它们忽视了振动信号的一个关键特性——即其对底层机械物理规律的强依赖性。在旋转机械中，振动响应由特定的故障频率决定，比如内圈滚珠通过频率、外圈滚珠通过频率以及滚珠旋转频率，这些频率由轴承结构决定，在不同运行条件下保持不变[19]、[20]。

尽管这些频率具有稳定性，但转速或负载的变化仍会显著改变与这些故障频率相关的频谱幅度和谐波结构。这种现象被称为频谱漂移，它会导致不同任务下学习到的特征表示不稳定，也是振动信号持续学习中出现灾难性遗忘的重要原因。与此同时，相同运行条件下的任务往往具有相似的隐含频谱模式，这为正向知识迁移提供了可能。但如果忽视这种物理相似性，随意重复使用知识反而可能导致负面迁移，尤其是在机械条件差异较大的情况下。

以上分析揭示了现有FedCIL方法的一个根本缺陷：它们缺乏在条件引发的频谱漂移情况下稳定持续学习的机制。在基于振动的故障诊断中，保持频谱一致性——而非仅仅保留模型参数或合成数据分布——对于实现稳定可靠的知识积累更为重要。在联邦学习环境中解决这一难题尤为困难，因为原始历史数据既不能存储也不能共享，同时还需要妥善处理任务间的多样性问题。

正是出于对这一缺点的考虑，我们提出了PA-FCL，这是一种基于物理特性的联邦持续学习框架，它将故障诊断与符合物理规律的故障频谱相结合。与许多主要依赖数据驱动的重放或知识蒸馏方法的现有FedCIL不同，PA-FCL将频谱一致性作为基于物理原理的稳定性约束，旨在在不同任务中保持具有诊断意义的频谱结构。为在联邦学习的隐私约束下实现这一目标，PA-FCL整合了三种紧密关联的机制：（i）一种频谱一致性信号生成器，可在不共享原始数据的情况下实现针对特定条件的无数据重放；（ii）一种条件感知的知识蒸馏策略，可根据任务间的物理相似性有选择地传输知识；（iii）一种频率正则化优化方案，可用于稳定频谱表示。

我们的主要贡献如下：

• •
  基于物理特性的联邦持续诊断方法。我们提出了将符合物理规律的故障频谱纳入持续学习框架的联邦类别增量故障诊断方法。与那些主要关注参数保留或数据驱动重放的FedCIL方法不同，PA-FCL利用频谱一致性作为基于物理原理的稳定性约束，从而减少振动信号因运行条件变化而导致的特征表示漂移。
• •
  一种在联邦学习约束下实现频谱稳定的统一物理增强框架。为在不共享原始数据的前提下实现频谱一致性原则，我们开发了一个集成框架，该框架同时实现了重放生成、知识传递和频率正则化功能。在联邦类别增量学习环境中，传统的生成式重放可能缺乏明确的物理语义，而随意的知识蒸馏则可能在不同的工作条件下引发负面迁移。为解决这些相互关联的问题，PA-FCL整合了：（i）一种用于特定条件重放的频谱一致性信号生成器，（ii）一种条件感知的知识蒸馏方法，以及（iii）一种频率正则化策略。这些组件共同构成了一个相互关联的系统：信号生成器在保障隐私的同时提供所需的特定条件数据，而知识蒸馏方法和频率正则化则有助于过滤掉无关信息，促进有效的知识迁移。
• •
  在真实非静态诊断场景下的全面实证验证。在三个公开的旋转机械测试数据集上进行的广泛实验表明，与常见的联邦学习基准方法相比，PA-FCL在准确率上提升了22.06%，遗忘现象减少了46.83%。研究结果表明，基于物理规律的频谱一致性约束有助于提升联邦持续故障诊断的长期稳定性和鲁棒性。

章节节选

相关研究

本节从非静态工业环境下的学习稳定性角度梳理了相关研究，重点探讨了用于故障诊断的联邦学习以及工业环境中的持续学习方法。虽然联邦学习能够实现隐私保护下的协作，但它往往缺乏确保知识长期稳定积累的机制。持续学习虽能解决知识保留问题，但通常是为集中式场景设计的。PA-FCL则架起了这两者之间的桥梁

问题描述

本节明确了非静态运行条件下的联邦类别增量故障诊断问题。我们定义了分布式学习环境、类别增量任务形式以及相关的数据隐私约束。除了知识保留和任务适应等常规挑战外，我们还指出了振动诊断所特有的一个核心难题：即如何在不断变化的运行条件下保持具有物理意义的频谱表示

方法论

本节介绍了用于非静态条件下振动故障诊断的PA-FCL框架。PA-FCL的核心理念是通过在不断变化的任务中保持符合物理规律的频谱表示，从而实现联邦持续学习的稳定。该方法可有效解决因运行条件变化导致的频谱漂移问题，而频谱漂移正是旋转机械故障诊断中出现灾难性遗忘的主要原因。PA-FCL包含了三个关键组成部分：一种物理增强的信号生成器、一种频谱

实验评估

本节在CWRU、JNU和XJTU三个数据集上对PA-FCL进行了评估，并与基准方法进行了比较。实验结果表明，PA-FCL在各种条件下都具有更高的准确率和更低的遗忘率，体现了其较强的鲁棒性。消融实验进一步证明了物理增强型信号生成器和条件感知知识蒸馏等关键组件的重要性。总体而言，研究结果表明PA-FCL非常适合用于长期的联邦故障诊断任务。

结论

方法论。本文提出了PA-FCL，这是一种基于物理特性的联邦持续学习框架，用于旋转机械的故障诊断。PA-FCL整合了三个互补的组件：（i）一种频谱一致性信号生成器，可在不共享原始数据的情况下实现隐私保护式的重放；（ii）一种基于量化物理相似性的条件感知知识蒸馏策略；（iii）一种频率正则化优化方案，用于稳定诊断用特征表示

CRediT作者贡献说明

胡彦鑫：撰写——初稿、软件实现、方法设计、概念构思。黄岩：监督指导、资源协调、资金申请、正式分析。谢珍珍：撰写——审阅与编辑、结果验证、问题研究。庞俊杰：可视化处理、结果验证、数据整理。程超：监督指导、资源协调、资金申请、正式分析。

利益冲突声明

作者声明，他们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自然科学基金的支持[项目编号：62372063]。

胡彦鑫于2024年获得中国长春工业大学工程硕士学位，目前正在攻读机电设备与控制专业的博士学位。他的主要研究兴趣包括联邦学习、增量学习以及机械故障诊断。

胡彦鑫|黄岩|谢珍珍|庞俊杰|程超

中国长春市长春工业大学机电工程学院，邮编130012