联邦开集诊断器

未知轴承故障也能认

它用联邦学习训练一个开集故障诊断模型，通过边界增强和原型对齐，让模型在保护各客户端数据隐私的同时，能识别训练时从未见过的轴承故障。

Xu, Danya · Mingwei, Jia · Chen, Tao · 刘怡 · 陈东岳 · 柴天佑 · 杨涛

Mechanical Systems and Signal Processing 2026

技术优势

未知故障也会报警

测试阶段依据样本特征与已知类别原型的距离计算异常分数，距离远的即判为未知故障，不再把新故障强行归入已知类。

数据不出厂也能联合训练

采用联邦学习，各客户端仅上传模型更新或原型，原始振动信号留在本地，满足跨工厂协作的隐私合规要求。

本地增强让边界更清晰

训练时在客户端用MixUp策略生成增强特征，强化全局模型的决策边界，从而提升对已知与未知样本的区分能力。

跨厂对齐分类依据

中心服务器汇总各客户端的已知类别原型并进行对齐，使不同工厂的数据在特征空间中具有一致的类别中心，提升开集识别稳定性。

应用场景

• 旋转机械健康监测：在现有监测系统中加入未知故障报警，避免把新故障误报为已知类型。
• 工业设备智能运维：让运维系统能识别训练中未出现的新故障，减少漏报和计划外停机。
• 多厂协同状态监控：各厂无需上传原始振动数据即可联合训练全局模型，统一进行状态监控。
• 联邦学习隐私保护：联邦框架只交换模型更新或原型，原始数据留在本地，满足隐私保护要求。