基于改进联邦学习的齿轮轴承长尾故障诊断方法

《Scientific Reports》：Mechanical fault diagnosis under long-tailed data: an improved federated learning method integrating attention, asymmetric convolution, and margin calibration

　　

摘要

由于无法收集到针对特定类型齿轮和轴承故障的足够故障样本，数据呈现长尾分布，这阻碍了神经网络诊断模型的有效构建。此外，当引入联邦学习（FL）方法来应对长尾问题时，该方法难以从属于尾部故障类型的样本中有效提取特征信息。为解决上述问题，本文提出了一种改进的联邦学习方法。首先，利用联邦特征重新训练诊断模型，增强了对尾部样本的故障特征提取能力。其次，引入卷积块注意力模块（CBAM）机制改进联邦学习框架内的残差网络（ResNet）模型，增强了从通道和空间维度提取关键局部特征信息的能力和效率。第三，用非对称卷积取代传统卷积，增强了对样本中非对称特征信息的提取能力和效率。最后，采用间隔校准算法优化网络模型的分类间隔，从而实现更高的诊断精度和效率。基于齿轮和轴承实测故障样本的实验分析表明，所提出的改进联邦学习方法有效提升了平均精度和最大精度，分别提高了8.78%和3.40%。