联邦图网络

跨设备故障诊断

一种面向分散异构数据环境的联邦图网络架构，通过关系自感知与原型特征匹配协同，实现多传感器融合的航空装备故障诊断。

Mao, Gang · Hui, Li · Xue, Longxian · 李永波 · 蔡志强 · Noman, Khandaker

Information Fusion 2025

技术优势

跨设备协同诊断

在联邦学习框架下，各客户端的图网络能够在不共享原始数据的前提下协同训练，从而利用分散在各装备上的数据进行诊断。

感知传感器关联

关系自感知层基于注意力机制，自动捕捉多传感器测量之间的复杂交互，并为不同故障状态建立不同的图拓扑，适应工况变化。

缓解特征异构

对比引导损失促使本地特征靠近对应原型并远离非对应原型，从而对齐不同客户端的特征空间，解决联邦学习中的特征偏移问题。

应用场景

• 航空装备故障诊断：让各航空装备在数据不出本地的条件下协同训练诊断模型，打破数据孤岛。
• 旋转机械健康监测：针对转子系统等旋转机械的多传感器数据，利用图网络捕捉关联，提升健康监测精度。
• 多传感器融合感知：通过关系自感知层动态建模传感器间交互，实现无需人工指定拓扑的自适应融合。
• 分布式联邦学习：在去中心化场景下，采用原型匹配机制对齐客户端特征，提高联邦学习的稳定性。