针对多种工作条件的多层次递归注意门联合方法 错误诊断 错误诊断
Zhiqiang Zhang1, Funa Zhou1, Chaoge Wang1
1School of Logistic Engineering, Shanghai Maritime University, Shanghai 201306, China.
Entropy (Basel, Switzerland)
|August 26, 2023
概括
联合学习 (FL) 可以通过专注于有用的客户端数据来改善轴承故障诊断. 一个新的多尺度递归FL框架提高了诊断准确性,特别是在各种工作条件和有限数据的情况下.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 工程 工程师 工程师 工程师
背景情况:
- 联合学习 (FL) 允许多客户端数据聚合,以便在个人客户端缺乏足够的样本时进行故障诊断.
- 客户工作条件 (例如生命周期阶段,负载) 的差异可能导致传统FL中忽略了有价值的数据.
- 不平等的客户端数据分布给构建强大的故障诊断模型带来了挑战.
研究的目的:
- 开发一个多尺度递归联合学习 (FL) 框架,以加强轴承故障诊断.
- 为了使FL服务器能够对来自不同客户端的有用信息进行优先排序.
- 在FL设置中提高多条件故障诊断模型的可靠性.
主要方法:
- 实施一个多尺度递归联合学习 (FL) 框架.
- 当地多尺度功能融合以最大限度地利用服务器端的信息.
- 专注于客户数据在FL过程中的相关性.
主要成果:
- 拟议的FL方法在多条件轴承故障诊断方面表现出更高的准确性.
- 与现有的FL故障诊断方法相比,获得了23.21%的精度改进.
- 使用Case Western Reserve大学的基准数据集验证有效性,即使局部数据有限,故障类型复杂.
结论:
- 多尺度递归FL框架有效地解决了在轴承故障诊断中异质客户端数据所带来的挑战.
- 优先考虑有用的客户端信息并利用本地特征融合,从而实现更可靠的诊断模型.
- 这种方法显著提高了故障诊断的准确性,为现实世界的工业应用提供了有前途的解决方案.
