【技术实现步骤摘要】
本专利技术涉及一种云边协同联邦模型迁移的滚动轴承故障诊断方法，属于滚动轴承故障诊断。
技术介绍
1、随着人工智能技术的快速发展，旋转机械设备产生的海量数据推动着故障诊断技术进入了“大数据”时代。滚动轴承是广泛应用于工业旋转机械设备中的关键组件之一，对其进行有效的故障诊断可及时规避重大事故发生风险[1]。目前集中式智能故障诊断技术在处理分布于不同地理位置的大规模轴承数据时，易导致数据隐私泄露，同时诊断效率不高[2]。另外，某种规格滚动轴承带标签样本稀缺，使得诊断准确率较低，因此利用边缘服务器的先天优势，结合联邦迁移学习，建立跨域故障诊断模型进行有效诊断具有重要意义。
2、近年来，深度学习是机器学习的一个新的发展方向，其在旋转机械智能故障诊断领域受到越来越多的关注[3]。文献[4]提出一种多尺度递归半监督深度学习的滚动轴承故障诊断方法，实验证明，所提方法在少量带标签数据样本下具有较好的诊断性能。文献[5]基于模型-数据-协作联动框架构建一种新型端到端深度网络稀疏去噪框架，在轴承故障特征提取方面表现出优越性和鲁棒性。文献[6]利用...
【技术保护点】
1.一种云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：
2.根据权利要求1所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述双重加密机制为先将用户端本地模型的模型参数进行二进制化处理，再进行如下步骤：
3.根据权利要求1或2所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述云边协同联邦学习框架具体步骤为：
4.根据权利要求3所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，基于各用户缺乏足够的共同特征或样本，引入联邦模型迁移学习方法将源域各用户聚合的共享模型...
【技术特征摘要】
1.一种云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：
2.根据权利要求1所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述双重加密机制为先将用户端本地模型的模型参数进行二进制化处理，再进行如下步骤：
3.根据权利要求1或2所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，所述云边协同联邦学习框架具体步骤为：
4.根据权利要求3所述的云边协同联邦模型迁移的滚动轴承故障诊断方法，其特征在于，基于各用户缺乏足够的共同特征或样本，引入联邦模型迁移学习方法将源域各用户聚合的共享模型(源域共享模型)迁移至目标域；
5....
【专利技术属性】
技术研发人员：王玉静，赵智慧，康守强，王庆岩，刘欢，谢金宝，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。