基于联邦学习和改进多尺度ResNet的故障诊断

鉴于目前滚动轴承故障数据特征不足导致的模型泛化能力有限,且工业上利用深度学习进行故障诊断存在数据隐私泄露和数据孤岛的问题,提出了一种结合联邦学习和改进多尺度ResNet的模型。改进多尺度ResNet在传统残差块基础上增加了一条恒等映射连接和Uout层,增强了信息流动和模型泛化能力。利用联邦学习保护数据隐私的同时,结合改进多尺度ResNet可以提高模型提取故障特征的能力。不同齿轮的故障诊断模型通过第三方聚合参数,在不泄露数据的情况下实现多方联合训练故障特征。试验结果表明,相较于其他方法,所提方法具有更高的准确率和更好的鲁棒性。