一种面向智能制造故障诊断的异构数据高效联邦学习方法

本发明公开了一种面向智能制造故障诊断的异构数据高效联邦学习方法，针对轴承振动信号的故障检测，基于多智能体生成对抗网络MAD‑GAN框架，进行两阶段联邦学习；第一阶段是在联邦学习环境中训练MAD‑GAN模型，数据样本扩展过程可有效缓解模态崩溃问题，第二阶段是利用联邦MAD‑GAN模型为客户端生成具有高质量和多样性的数据样本，从而进行联邦学习模型训练，提升模型的泛化能力和诊断精度。为进一步降低通信开销，本发明第二阶段引入了一种先进的模型压缩技术，结合了诸如Top‑k的稀疏化方法和量化方法。能消除通信过程中的冗余，降低数据传输量，本发明能解决工业故障诊断中的非独立同分布数据问题，显著提高通信效率。