基于联邦模型迁移的不同规格滚动轴承故障诊断方法

数据隐私与数据安全问题逐渐受到社会关注，各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题，同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺，使得诊断准确率不高。针对上述问题，提出一种基于联邦模型迁移的不同规格滚动轴承故障诊断框架。该方法对多个用户振动数据做短时傅里叶变换，构建时频图数据集；各用户训练本地模型并将模型参数上传至服务器，同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略；服务器采用联邦平均算法聚合模型参数并更新本地模型，迭代后建立用于迁移学习的共享模型；提出逐层解冻策略保留共享模型部分参数并发送给每个用户，再利用本地数据微调共享模型，获得适用于每个用户的个性化模型。经试验验证，所提方法在数据孤岛和标签稀缺的前提下，可实现不同规格滚动轴承故障诊断，并具有较高的准确率和良好的泛化性能。