一种用于旋转机械状态监测的个性化联邦学习可泛化框架

《ADVANCED ENGINEERING INFORMATICS》:A generalizable framework of personalized federated learning for condition monitoring of rotating machinery

【字体: 大 中 小 】 时间:2026年09月22日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   **摘要要点** - 为旋转机械的预测性维护建模鲁棒的服务器框架。 - 在服务器模型中实现变工况下的特征对齐。 - 提出个性化联邦学习方法以预测未知故障场景。 - 应用线性迁移实现从服务器到客户端模型的知识传递。 **引言** 旋转机械的预测性维护和故障诊断对于提高现代

  **摘要要点**- 为旋转机械的预测性维护建模鲁棒的服务器框架。- 在服务器模型中实现变工况下的特征对齐。- 提出个性化联邦学习方法以预测未知故障场景。- 应用线性迁移实现从服务器到客户端模型的知识传递。**引言**旋转机械的预测性维护和故障诊断对于提高现代工业系统的可靠性、减少停机时间和降低维护成本起着关键作用[1]、[2]。随着分布式传感和边缘智能的不断部署,基于机器的预测和状态监测(CM)模型通常使用在多种条件下运行的多台机器收集的数据进行训练[3]、[4]。然而,集中式数据聚合有时会受到数据所有权、隐私和通信带宽等实际问题的阻碍[5]。联邦学习(FL)已成为应对这些挑战的有效解决方案,它允许在不共享原始数据的情况下进行协作模型训练。虽然传统的联邦学习方法能够从分布式客户端学习全局模型,但这种能力通常依赖于客户端之间的同质数据分布[6]、[7]。在实际应用中,这一假设很少成立。机器往往在变化的速度、负载和环境条件下运行,导致显著的数据异质性[8]、[9]。因此,在异构数据分布下,单一的全局模型可能无法捕捉客户端特定的属性。这促使了个性化联邦学习(PFL)框架的需求,该框架在共享全局知识与保持本地适应性之间取得平衡[10]、[11]。虽然集中式学习和迁移学习也是可行的替代方案,但它们不太适合解决这一问题。集中式方法假设所有工况下的数据可以合并为一个单一分布。在实际中,强烈的工况变化往往导致有偏的和特定于工况的表示。迁移学习通常依赖于明确定义的源域和目标域[12]。然而,在旋转机械应用中,多个客户端在不同的且经常重叠的条件下运行,这使得定义单一源域变得困难,并增加了负迁移的风险[13]、[14]。相比之下,个性化联邦学习提供了更合适的框架。它能够在分布式客户端之间实现协作学习,同时保留本地数据特征,并有效处理多域异质性[15]、[16]。尽管近年来取得了一些进展,为旋转机械设计有效的PFL策略仍然具有挑战性。一个主要挑战在于学习对工况具有鲁棒性的共享表示,同时保持对故障类型的判别能力[17]。在许多情况下,对应相同故障但在可变工况下收集的样本在特征空间中形成工况依赖的簇[18]。这种行为限制了全局网络的泛化能力。为了将全局知识适应本地客户端,现有的PFL方法通常依赖于架构个性化、多头模型或基于知识蒸馏(KD)的技术[19]。然而,这些方法在CM应用中表现出显著局限性。虽然服务器端模型(如混合专家模型(MoE)或对比学习框架)可以改善本地可分性,但当工况变化较大时,此类模型经常产生碎片化的特征空间[20]。此外,当客户端和服务器存在类别不匹配或异构标签空间时,基于KD的知识传递变得无效[21]。这些缺点凸显了需要一个以表示为中心的PFL框架,明确解决工况异质性和类别不匹配问题。本研究受到多项关键观察的启发,这些观察来源于广泛的实验分析。首先,在服务器端强制实施工况不变的故障表示对于实现鲁棒的个性化和泛化至关重要。单纯增加模型复杂度或采用更强的判别损失并不能保证跨工况的故障簇统一[22]。其次,当服务器和客户端具有不同的类别集合时,基于KD的行为级模仿并不适合PFL[21]。第三,在工业应用中,由于通信效率、训练稳定性和部署简便性至关重要,轻量级个性化机制更为可取[23]。这些观察表明,面向旋转机械的有效PFL应聚焦于对齐特征几何,而非匹配预测行为。为解决上述挑战,本文提出了一种面向旋转机械状态监测的可推广PFL框架。首先,对服务器端表示学习策略进行了系统性研究,包括MoE架构、结合交叉熵损失的对比学习以及基于三元组的学习。基线服务器揭示了其在异构工况下统一工况依赖的故障表示方面的固有局限性。基于这些发现,提出了一种基于密度的特征聚类方法,结合中心拉取优化。该设计在共享特征空间中强制形成紧凑的、以故障为中心的且工况不变的簇。在客户端,开发了一种使用线性表示级迁移的轻量级个性化策略。这使得无需依赖传统KD即可从服务器到异构客户端实现稳定且保持几何的知识适应。最后,在多种个性化联邦场景下对所提框架进行了评估,包括3类、4类和5类故障诊断问题。这证明了所提方法对未知工况的强泛化能力,以及相较于现有PFL基线的一致性性能提升。所提方法为隐私保护和可推广的CM提供了一个实用且可扩展的解决方案,有效弥合了FL理论与现实世界旋转机械应用之间的差距。本文分为多个章节。第2节涵盖相关工作并介绍CM应用中FL和PFL的背景。第3节介绍基线服务器端表示学习策略和传统KD方法。第4节描述所提PFL框架,包括服务器端特征聚类和线性表示对齐。第5节报告实验设置,并对多种故障诊断场景的结果进行详细分析。最后,第6节总结本文并展望未来的研究方向。**各章节摘要****概述**本节概述了面向故障检测和诊断的联邦学习,随后对PFL进行了一般性描述。目标是建立所提方法所需的通用术语和建模假设。**基线研究方法**本节描述本研究中所评估的基线方法,作为PFL的参考方案。首先,我们介绍了鲁棒全局服务器的开发,用于从客户端特征中学习统一表示。随后,我们引入了传统的服务器到客户端KD策略作为基线测试。这些方法用于说明类别不匹配下直接迁移的局限性,并为后续章节中提出的个性化框架提供动机。**所提PFL框架**本文提出了一种强调表示级知识共享而非在异构客户端间直接进行行为模仿的PFL框架。核心目标是在服务器端学习工况不变且全局一致的潜在表示。同时,每个客户端维护针对其运行环境的本地自适应决策边界。每个客户端使用轻量级神经编码器独立从原始传感器信号中提取特征。**实验设置**图6展示了基于SpectraQuest机械故障模拟器(MFS)的实验设置。MFS用于生成旋转机械故障诊断的多工况振动和电流测量数据。该模拟器包含三个传感通道,包括一个用于电流测量的电流钳,以及两个正交安装在电机壳体上的加速度计,用于记录水平和垂直振动信号。所有通道均同步采样。**结论与未来工作**本文提出了一种面向异构工况和演化故障类别下旋转机械CM的可推广PFL框架。其目标是强制实施工况不变的服务器表示,并在类别不匹配的监督条件下实现稳定的个性化。为此,本文进行了全面的分析。观察到传统的服务器端策略,包括MoE、对比学习和三元组学习,无法……**CRediT作者贡献声明****Izaz Raouf:** 写作——审阅与编辑,写作——初稿撰写,可视化,验证,软件,方法论,形式分析,数据整理,概念化。**Peng (Edward) Wang:** 写作——审阅与编辑,可视化,验证,监督,项目管理,方法论,资金支持获取,概念化。**利益冲突声明**作者声明,他们没有已知可能影响本文所报告工作的竞争性经济利益或个人关系。**致谢**本材料基于美国国家科学基金会在资助号2535434下支持的研究工作。Izaz Raouf | Peng (Edward) Wang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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