【技术实现步骤摘要】
本专利技术涉及故障诊断，具体是一种基于分布式因果发现与联邦学习的故障诊断模型构建方法。
技术介绍
1、轴承作为工业设备的核心部件，其健康状态直接关系到设备安全与生产效率，因此故障诊断具有重要意义。然而，工业轴承数据通常分布在不同设备和工厂，且包含敏感信息，难以直接集中共享。联邦学习作为一种分布式机器学习框架，能够处理此类分散且私密的数据以诊断轴承故障类别，但它本质上无法挖掘数据内部的因果关系，缺乏可解释性，容易陷入相关性陷阱。为此，联邦因果发现技术的出现提供了关键补充，其可处理跨设备、跨工厂的分布式轴承故障数据，有效识别变量间的因果关联，解析故障的内在机理，进而指导联邦学习框架更精准地判别故障类别。
2、现有联邦学习轴承故障诊断方法多基于数据驱动，未涉及因果嵌入，这类传统模型往往被视为"黑箱"，难以解释其决策过程。专利申请cn117591999a公开了一种基于因果发现的联邦图同构网络风机轴承故障诊断方法，该方法在保证风机参与方数据隐私的同时，可提高风机轴承故障诊断模型的准确率与可解释性。上述现有技术通过feddag算法构建参...
【技术保护点】
1.一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，包括以下构建步骤：
2.根据权利要求1所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，协方差张量的获取过程如下：
3.根据权利要求2所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，代理变量为代表客户端或域索引的虚拟变量，用于显式建模不同客户端间的数据异质性，包括轴承型号、负载、转速中的至少一种差异。
4.根据权利要求1-3中任一项所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，全局因果...
【技术特征摘要】
1.一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，包括以下构建步骤：
2.根据权利要求1所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，协方差张量的获取过程如下：
3.根据权利要求2所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，代理变量为代表客户端或域索引的虚拟变量，用于显式建模不同客户端间的数据异质性，包括轴承型号、负载、转速中的至少一种差异。
4.根据权利要求1-3中任一项所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，全局因果图的获取步骤如下：
5.根据权利要求4所述的一种基于分布式因果发现与联邦学习的故障诊断模型构建方法，其特征在于，联邦条件独立性测试通过随机特征近似核函数，将无限维空间的算子运算转化为有限维矩阵运算，以经验部分互协方差矩阵的f-范数平方作为检验统计量。
6.根据权利要求5所述的一种基于分布式因果发现与联邦学习的故障诊断模型构...
【专利技术属性】
技术研发人员：丁煦，肖晗江，汪澄，赵冲，徐娟，翟华，
申请(专利权)人：合肥工业大学，
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。