摘要：实际工程中难以获取充足可用且同分布的齿轮箱故障样本,此外,获取的无标签样本难免会混入一些分布外的未知干扰样本,这些将给现有的齿轮箱智能故障诊断研究带来难题。提出一种改进半监督原型网络,面向分布外样本干扰,实现少样本下不同工况间的齿轮箱跨域故障诊断。首先,设计一种标签分配准则,既可以充分挖掘利用无标签样本信息,为无标签样本赋予伪标签,同时也可以有效抑制分布外未知样本的干扰。然后,定义一种基于标签平滑和度量缩放的修正代价函数,可以灵活有效地评估故障样本之间的相似性,挖掘元学习任务的通用特性,进一步提高模型泛化性。将所提方法用于分析不同健康状态的齿轮箱试验数据,并设置不同的少样本跨域诊断场景和分布外干扰样本进行对比验证。试验结果表明,相比现有方法,所提方法可以更有效地实现少样本下不同工况间的齿轮箱跨域故障诊断。

摘要：工业物联网助推机械故障诊断步入大数据时代,然而因各节点需要共享本地的私有数据而造成隐私泄露是当前工业物联网亟需解决的问题。联邦学习有望应用于工业物联网以实现在私有数据不离开本地存储的前提下,协同各节点训练诊断模型。然而,联邦学习面临着以下诸多挑战。首先,联邦学习的中心化架构极易引发单点故障。其次,工业物联网中各节点的故障数据通常是非独立同分布的,以致联邦学习难以收敛。再次,联邦学习缺乏防御手段来阻止恶意节点的攻击。最后,联邦学习需要激励机制来鼓励节点分享资源。针对这些挑战,提出了一种区块链和边缘计算赋能的联邦学习故障诊断框架,采用去中心化的模式保障工业物联网中机械设备故障数据的隐私和安全。在此框架中,构造了一种特征对比损失函数来解决非独立同分布问题,设计了一种拜占庭容错的评分机制来抵抗投毒攻击,并开发了一种基于信誉的激励算法来评估应给予节点的奖励。所提方法被应用于工业物联网中风力发电机的行星齿轮箱故障诊断模拟场景,在私有本地数据不泄露的前提下,展现出最优的综合性能。