一种由故障信息差异驱动的联合对抗性故障诊断方法

科学领域:

• 机器学习 机器学习
• 人工智能的人工智能
• 工业故障诊断 产业故障诊断

背景情况:

• 联合学习 (FL) 能够实现协作模型培训,但对本地模型质量敏感.
• 糟糕的本地模型可能会导致负面转移,降低全球模型的性能.
• 现有的方法在不同的工作条件下与不同的故障数据分布作斗争.

研究的目的:

• 为最佳的全球模型构建提出联合对抗性故障诊断方法 (FedAdv_ID).
• 为应对多重工作条件和故障信息差异带来的挑战.
• 提高联合故障诊断模型的适用性和稳定性.

主要方法:

• 引入了一种一致性评估指标,以量化本地与全球故障信息差异.
• 开发了一个联合的对抗性训练机制,以尽量减少特征差异.
• 实施了最佳的聚合策略,具有适应权重,以减少全球特征差异.

主要成果:

• 在基准和现实世界电机轴承数据集上,FedAdv_ID实现了93.09%的故障诊断准确度.
• 拟议的方法显著超过了基于规范化的传统FL方法的17.89%.
• 在各种电机运行条件下,证明了全局模型性能的提高.

结论:

• FedAdv_ID有效地减轻负转移,并改善联合故障诊断中的全球模型准确性.
• 该方法通过解决故障信息差异,提高了模型在各种工作条件中的适用性.
• 对抗训练和最佳聚合是构建强大的联合故障诊断系统的关键.