一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及系统

摘要

本发明提出一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域。本发明的技术要点包括：对滚动轴承时域振动数据做小波变换得到时频谱图，将先验的有标签公共数据作为源域，多用户无标签孤岛隐私数据作为目标域；引入多表示特征提取结构对原始残差网络进行改进，提取源域和目标域的多表示特征，分别构建多用户本地模型；使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略，增强联邦框架的安全性并降低通信开销；在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。本发明无需多用户共享数据即可整合孤岛数据知识，具有较高的准确率和较强的泛化性。