基于联邦域泛化的未知工况下滚动轴承故障诊断框架

来源：振动与冲击杂志2025年第21期北京时间：

作者：康津，马萍maping@xju，张宏立，王聪，李新凯

单位：1.新疆大学电气工程学院，乌鲁木齐830017；2.新疆大学智能科学与技术学院，乌鲁木齐830017

摘要：在实际应用中，受潜在利益冲突与数据保密协议的限制，基于领域泛化的故障诊断模型在确保数据隐私的前提下实现高效泛化仍面临诸多挑战。联邦学习作为一种保护数据隐私的分布式协同训练机制，为智能诊断提供了新思路。然而，因设备运行工况复杂多变，采集到的数据往往局限于部分工况，当将联邦训练得到的全局模型部署至未参与训练的新客户端时，其性能显著下降。为解决上述问题，本文提出了一种融合元学习与知识蒸馏的联邦域泛化框架。该框架在本地模型的构建中引入混合风格层(MixStyle)和实例-批量归一化(Instance-Batch Normalization, IBN)网络模块，增强模型的领域不变性的同时加快网络收敛。在本地训练前，通过元学习快速适应新任务，并通过更新模型实现不同客户端间的泛化。此外，利用全局模型与本地模型之间的知识蒸馏技术，提升模型压缩效果的同时，进一步增强模型的适应能力。模型通过联邦学习在多个源域客户端上协同训练，并在不可见的目标域中进行部署测试。实验结果表明，所提方法在保护数据隐私的同时，显著提升了故障诊断模型在未知工况下的适应性与准确性。<br>

关键词：故障诊断；未知工况；联邦域泛化；元学习；知识蒸馏