近日，我院万烂军副教授课题组在智能故障诊断领域取得新进展，相关研究成果论文 “Intelligent fault diagnosis via ring-based decentralized federated transfer learning”和“A novel meta-transfer learning approach via convolutional multi-head self-attention network for few-shot fault diagnosis”在国际著名期刊《Knowledge-Based Systems》发表，该期刊为中科院一区、Top期刊，影响因子7.2。

1) Intelligent fault diagnosis via ring-based decentralized federated transfer learning

论文首页

联邦迁移学习能有效应对数据驱动的旋转机械故障诊断中存在的数据孤岛问题和域偏移问题。然而，在用于旋转机械故障诊断的联邦迁移学习中巨大的通信开销、源客户端与目标客户端之间的空闲等待以及模型聚合带来的负迁移仍是亟待解决的问题。为此，提出了一种用于旋转机械协同故障诊断的基于环的去中心化联邦迁移学习方法。该方法可显著减少模型训练中的通信消耗，并能在数据隐私保护下以较快的训练速度得到性能优异的跨域故障诊断模型。实验结果表明，与传统的基于客户端-服务器架构的联邦迁移学习方法相比，该方法的计算时间和通信时间分别减少了30.92%和58.77%，总体训练效率提升了44.09%。采用该方法在跨工况和跨设备旋转机械故障诊断任务下取得的平均诊断精度分别达到了99.34%和88.26%。

所提出方法的总体框架

2) A novel meta-transfer learning approach via convolutional multi-head self-attention network for few-shot fault diagnosis

论文首页

元迁移学习能有效利用从多个元任务中学习到的元知识来促进不同领域之间的知识迁移，从而增强在新的故障诊断任务上的适应性。然而，在实际工业应用中，采集的旋转机械故障样本数据复杂且有限，当新出现的小样本故障诊断任务与元训练任务存在较大域差异时，难以从中有效提取不同故障类别之间的区分性特征来进行准确的故障诊断。因此，提出了一种新的用于小样本故障诊断的基于卷积多头自注意力网络的元迁移学习方法。该方法能使用有限带标记故障样本训练一个鲁棒的且能快速适应新工况的故障诊断模型。实验结果表明，该方法在CWRU和PU数据集的跨工况场景下不同小样本故障诊断任务上分别取得了99.21%和95.16%的平均诊断精度，均优于其它比较方法。

所提出方法的总体框架

(工业智能工程研究中心供稿)