用于未知轴承故障检测的联邦开放式故障诊断技术

《Mechanical Systems and Signal Processing》：Federated Open-Set Fault Diagnosis for Unknown Bearing Fault Detection

提出联邦开放式故障诊断方法FOSFD，通过MixUp数据增强生成本地增强特征，利用中央服务器对齐已知类别原型，提升全局模型的决策边界，测试阶段基于特征与原型距离计算异常分数实现已知和未知故障分类，在两个轴承故障数据集上表现优于现有方法。

　　

徐丹阳|贾明伟|陈涛|刘毅|陈东岳|柴天佑|杨涛

东北大学过程工业综合自动化国家重点实验室，中国沈阳 110819

摘要

深度学习提高了故障诊断的准确性。在传统的集中式训练方法中，通常需要将大量标记数据集中到多个客户端，但这受到隐私和安全限制的阻碍。联邦学习通过允许在不共享原始数据的情况下进行协作模型训练来解决这一挑战。然而，大多数现有的联邦故障诊断方法都基于封闭集假设，无法处理工业环境中可能出现的未见过的故障。为此，我们提出了一种联邦开放集故障诊断（FOSFD）方法。具体来说，在训练阶段，该方法通过使用基于MixUp的数据增强策略在本地生成增强特征，并通过中央服务器对已知类别的原型进行对齐，从而增强全局模型的决策边界。在测试阶段，根据测试样本的特征表示与原型之间的距离计算异常分数，以识别已知或未知的故障。在凯斯西储大学和帕德博恩大学的轴承故障诊断数据集上的实验表明，我们的方法在准确性（Acc）、曲线下面积（AUC）和开放集分类率（OSCR）方面达到了先进水平，从而实现了更出色的未知故障检测。

引言

故障诊断对于确保工业过程的运行安全和可靠生产至关重要[1]，[2]，因为未检测到的故障可能导致设备故障或昂贵的停机时间[3]，[4]。传统的故障诊断方法依赖于专家知识和手动特征提取[5]，[6]，[7]。尽管基于机器学习的方法减少了对这些依赖性，但它们通常仍然需要精心设计的特征。相比之下，基于深度学习（DL）的方法通过从原始振动信号中自动提取特征来进行故障诊断，这一点在调查论文[8]，[9]，[10]及其中的参考文献中有所讨论。对于轴承故障诊断，已经开发了多种基于DL的方法。例如，[12]的作者提出了一种使用振动响应和卷积神经网络的轴承故障诊断方法。考虑到多个数据源，[13]的作者开发了一种在不同工作条件下使用多个数据源的轴承故障诊断方法。此外，[14]的作者提出了一种针对不平衡数据的可追踪多域轴承故障诊断方法。然而，在工业应用中，数据通常分布在不同的组织或设施中。这些基于DL的方法通常假设可以从不同来源的大规模标记数据集中到一个服务器上，但由于隐私限制[15]，[16]，[17]，这在实际操作中很少可行。

联邦学习（FL）作为一种有前景的解决方案应运而生，因为它允许多个客户端（组织）在不访问本地原始数据的情况下协作训练一个共享的全局模型[18]，[19]。联邦故障诊断（FFD）利用FL使客户端（例如工厂、组织）能够在其私有数据上训练本地故障诊断模型，并定期与中央服务器共享更新，中央服务器汇总这些更新以改进全局模型[20]，[21]。这种方法使客户端能够从分布式数据源的集体知识中受益，同时不侵犯数据隐私[22]，[23]。因此，单个客户端不需要投入大量资源来获取标记数据集，从而降低了成本和努力。最近的研究提出了几种FFD方法，表明FL可以有效地提高诊断性能，同时解决隐私问题。例如，[24]的作者提出了一种使用先验分布的数据隐私保护FL方法。此外，徐等人的[25]和Russell与Wang的[26]分别提出了基于聚类对齐和自监督学习的滚动轴承FFD方法。

尽管FFD取得了进展，但大多数这些工作仅限于封闭集场景，即测试数据中的故障类别与训练数据中的故障类别相同[27]，[28]。然而，这一假设并不总是成立。在运行过程中可能会出现未见过的故障，因此封闭集FL模型往往会高置信度地将未知故障映射到已知类别，如图1所示，这会导致误分类，这是不安全的。训练数据和测试数据之间的这种不匹配突显了识别未见或未知故障的必要性——这个问题被称为开放集故障诊断[29]。已经开发了几种方法来解决这个问题。例如，陈等人的[30]提出了一种基于开放故障语义子空间的开放集故障诊断框架，林和赵的[31]实现了基于开放集Kolmogorov-Arnold网络的风力涡轮机齿轮箱的开放集故障诊断。此外，李等人的[32]提出了一种基于对抗性训练的故障诊断方法，余等人[33]开发了一种双边加权对抗框架。然而，这些方法大多在集中式环境中运行，假设可以一次性访问所有数据。

在本文中，我们提出了一种联邦开放集故障诊断（FOSFD）方法。更具体地说，在训练阶段，受到MixUp[34]的启发，MixUp是一种线性插值样本对及其标签以创建增强数据并提高模型泛化能力的技术，我们提出了一种基于MixUp的特征增强策略，在本地客户端生成合成特征，从而有助于明确已知和未知样本之间的决策边界。此外，我们通过中央服务器以及对模型参数的对齐来对齐捕获已知类别底层分布的原型。在测试阶段，通过建模样本的特征表示与选定原型之间的距离来计算异常分数，以确定样本属于已知类别还是未知类别。如果属于已知类别，则使用训练有素的分类器输出分类结果，否则将其分类为未知类别。

本文的主要贡献如下：

• •
  提出了一种联邦开放集故障诊断方法，允许多个客户端协作检测未知轴承故障，而无需共享原始振动数据。与现有的开放集故障诊断方法[30]，[33]，[35]，[36]相比，我们提出的方法以分布式方式实现识别并保护隐私。
• •
  设计了一种基于MixUp的特征增强策略和原型对齐策略，以规范已知故障类别的特征分布，其中特征增强扩大了边界并平滑了决策边界，原型对齐压缩了类别原型，从而提高了未知故障的拒绝率。
• •
  在两个公共轴承故障数据集[37]，[38]上验证了所提方法的有效性，结果表明我们的方法优于现有方法[28]，[33]，[39]，[40]。

本文的其余部分组织如下。第2节介绍了问题表述。第3节和第4节分别介绍了提出的方法和实验结果。最后，第5节总结了本文。

部分摘录

用于故障诊断的联邦学习

我们首先对用于故障诊断的联邦学习（FL）场景进行正式定义，其中全球中央服务器$G$与$C$个本地客户端协作。每个客户端$l\in \{1，\dots ，C\}$拥有一个其他客户端或服务器无法直接访问的私有数据集。让$X$表示输入空间，$K$表示所有客户端共享的已知故障类别集合。对于客户端$l$，有一个本地封闭集训练数据集，其中Dclosel=(xil< />}i=1n∈X×K是第