基于客户端访问机制驱动联邦学习的稀有故障诊断

《Neurocomputing》：Rare fault diagnosis using federated learning driven by client access mechanism

　　

摘要

诊断机电一体化设备中的罕见故障具有挑战性，因为每个客户端只有有限数量的故障样本。联邦学习（FL）可用于为每个客户端联合训练故障诊断（FD）模型。在拥有罕见故障样本的客户端也遭受数据质量不佳问题的情况下，现有的 FL 方法无法工作，因为无法很好地提取罕见故障特征。一些强大的客户端可能拥有大量与罕见故障无关的低质量样本，这将进一步复杂化罕见故障特征的提取。如果它不能为其他故障的特征提取提供额外的创新信息，则没有必要参与联邦。本文专注于设计一种用于 FL 的客户端接入机制，以保证只有拥有创新信息的客户端才能参与联邦。对决策的充分贡献，而不是样本大小，被用于评估创新性，这有助于指导 FL 的客户端接入机制。通过这种方式，不允许没有创新性的强大客户端参与联邦，以防止冗余信息对罕见故障特征提取的负面影响。创新评估引导联邦聚合策略，确保对罕见故障有更多创新相关见解的客户端在联邦过程中发挥更重要的作用。所提出方法的这一优势也使没有罕见故障历史样本的客户端能够诊断罕见故障。电机故障诊断的实验结果表明，即使是被强噪声污染的罕见故障样本也能为联邦模型做出巨大贡献。与传统方法相比，所提出方法的故障诊断准确率可提高 18.92%。

引言

电机是工业设备不可或缺的一部分，而轴承是电机的核心组件，因此研究滚动轴承的故障诊断（FD）至关重要 [1], [2]。然而，无法建立准确的系统模型或对先验知识的广泛需求，导致传统方法在 FD 研究中的应用受到相当程度的限制 [3]。

当有足够高质量的故障样本时，基于深度学习（DL）的 FD 方法表现有效 [4], [5]。然而，罕见故障的诊断特别具有挑战性，因为它们在机器的整个生命周期中发生的概率极低，从而造成了数据获取瓶颈。因此，罕见故障的诊断本质上是一个小样本问题，因为它们低发生概率从根本上限制了可用于模型训练的数据量 [6]。因此，可以利用小样本学习方法，如生成建模、元学习（ML）和迁移学习（TL），进行罕见故障诊断 [7], [8], [9]。Zhang 等人 [10] 利用生成对抗网络（GANs）捕捉先验知识分布与目标运行数据之间的潜在统计依赖关系，成功生成罕见故障样本以提高诊断准确率。Han 等人 [11] 进一步将判别模块集成到 GAN 架构中，以增强合成数据的保真度。However, the efficacy of this generative modeling paradigm faces two fundamental challenges: 1) suboptimal generation quality directly compromises downstream diagnostic performance, and 2) in scenarios where historical rare fault data is absent, specific client-side systems fail to synthesize meaningful samples through generative models alone. 然而，这种生成建模范式的有效性面临两个根本挑战：1）次优的生成质量直接损害下游诊断性能，2）在缺乏历史罕见故障数据的场景中，特定的客户端系统无法仅通过生成模型合成有意义的样本。Feng 等人 [12] 开发了一种相似性驱动的 ML 框架，以应对小样本 FD 的挑战。然而，ML 的在线性质导致连续学习的稳定性不足 [13], [14]。或者，TL 实现了诊断特征从源域常见故障到目标域罕见故障的自适应迁移 [15]。但是，当目标域中的常见和罕见故障样本质量都较差时，TL 方法仍然无法准确表征罕见故障。在本研究中，低质量样本指的是由于噪声污染导致故障特征表示不清晰。此外，上述深度学习通常依赖于大规模标记数据集进行模型训练，这对计算资源提出了高要求——这些要求往往超出边缘设备的能力。为解决有限的边缘计算能力问题，Zhang 等人 [16] 采用视觉检查技术并应用模型压缩方法——如剪枝和量化——以降低现有方法的计算复杂性，从而能够在资源受限的边缘设备上识别早期罕见故障。

联邦学习（FL）实现了跨多个客户端的 FD 模型协同训练 [17], [18]。然而，FL 可能无法提取罕见故障特征，因为客户端的特征表示能力相当差，特别是对于罕见故障样本。因此，它无法通过联邦过程显著使没有罕见故障样本的其他客户端受益 [19]。Zhou 等人 [20] 通过专门的 FL 策略解决了客户端内部常见和罕见故障的不平衡问题。然而，由于客户端内部数据质量差阻碍了正确的特征学习，其对罕见故障的性能仍令人不满意。Zhang 等人 [21] 尝试通过注意力增强的 FL 框架过滤客户端内部可靠信息来克服数据质量问题。该方法在涉及罕见故障的场景中失败，因为拥有低质量罕见故障的客户端往往被设计的联邦策略过滤，使得联邦模型难以可靠地诊断这些故障。

联邦面临双重挑战：拥有大量低质量样本的强大客户端引入了破坏特征表示的噪声信息，而缺乏贡献标准允许无产出的客户端参与。既不提供罕见故障信息也不提供常见故障诊断创新的客户端应被排除。因此，实施选择性客户端接入机制对于赋能罕见故障客户端并增强联邦的整体有效性至关重要。

本文专注于设计一种用于 FL 的客户端接入机制，以确保只有拥有创新信息的客户端才能参与联邦，从而增强全局模型在发生罕见故障时的决策能力。在联邦聚合期间，利用参与客户端对全局模型更新的创新性贡献来量化单个客户端对联邦模型的影响，而不是仅仅依赖基于样本大小的 FD 能力。这种贡献感知的 FL 评估机制有助于指导客户端的接入。 所提出方法的主要贡献如下：

• 1.
  本文提出了一种基于 FL 的罕见故障诊断方法，由客户端接入机制驱动，以确保只有拥有额外创新信息的客户端才能参与联邦。
• 2.
  设计了一种由创新评估引导的客户端接入机制，以防止没有创新性的强大客户端参与联邦。通过这种方式，罕见故障客户端的能力可以得到极大提高，使其在联邦过程中发挥重要作用。
• 3.
  创新是基于模型的相对熵与故障类型可区分性之间的差异进行评估的。基于对所有客户端的创新评估，本文设计的联邦策略可以实现令人满意的罕见故障诊断准确率。
• 4.
  验证实验中故障诊断准确率的提高表明，只要受到强噪声污染的罕见故障客户端在联邦过程中发挥重要作用，它也可以使没有罕见故障样本的其他客户端受益。

章节片段

基于深度学习的故障诊断

深度神经网络（DNNs）利用多层架构从故障数据中学习分层表示，从而实现从原始输入到诊断结果的端到端映射。Zhu 等人 [22] 修剪了低贡献神经元以降低计算负载，尽管这可能以丢失有价值信息和降低诊断准确率为代价。对此，Rashidi 等人 [23] 开发了一种相对分解策略，利用模型结构提取故障相关特征

基于创新驱动的客户接入机制设计

传统 FL 的局限性在于其完全依赖客户端性能评估，而忽视了客户端内部信息质量如何影响全局模型。这允许非创新性客户端加入，产生负面的知识转移和特征表示污染。因此，有必要设计一种基于创新筛选的客户端接入机制，以引导更多具有创新性的客户端参与联邦。这种机制包含

实验验证与结果分析

验证实验将利用双重基准测试来证明 AFed-IV 方法的可靠性，通过比较 MDS 电机监控数据与 CWRU 电机轴承故障数据集 [53] 的诊断结果。

结论与展望

在现有的联邦学习框架下，基于有价值信息聚合客户端具有挑战性。当数据质量差且无创新的客户端被添加到联邦中时，这会降低联邦模型的诊断性能。为此，我们认为构建 CAM（客户端接入机制）对于构建鲁棒的联邦故障诊断模型至关重要。该机制通过两个互补指标评估客户端创新性：（1）预测标签与

致谢

本工作得到国家自然科学基金（62073213）、国家自然科学基金（52205111）以及上海海事大学拔尖创新人才研究生培养项目（2024YBR015）的支持。

CRediT 作者贡献声明

Pengpeng Jia: 形式分析，概念化。Funa Zhou: 资源，项目管理，调查。Hamido Fujita: 写作 – 回顾与编辑，监督，调查。Chaoge Wang: 验证。Tianzhen Wang: 可视化，方法论。Xiong Hu: 资源。

竞争利益声明

作者声明他们没有任何已知的竞争财务利益或个人关系，可能会影响本文中报告的工作。

Pengpeng Jia 于 2023 年获得中国上海上海海事大学电气工程硕士学位。他目前正在上海海事大学攻读电气工程博士学位。他的研究兴趣主要集中在故障诊断、信号处理以及电气设备的智能运维方面。

Pengpeng Jia|Funa Zhou|Hamido Fujita|Chaoge Wang|Tianzhen Wang|Xiong Hu

上海海事大学物流工程学院，中国上海，201306