双向蒸馏联邦学习

异构工厂冷启动

借助双向知识蒸馏与难样本筛选，在不共享原始数据的前提下，让各工厂异构模型互相借鉴，实现跨厂冷启动与高精度故障诊断。

Guo, Sheng · Hui, Chen · 刘洋 · Chengyi, Yang · Li, Zengxiang · Jin, Chenghao

IEEE Transactions on Industrial Informatics 2024

技术优势

不共享原始数据

各工厂仅在本地训练模型，通过知识蒸馏传递信息，原始振动数据不出厂，保护数据隐私。

异构模型也能协作

不同工厂可根据自身算力选择不同网络结构，框架通过双向知识蒸馏与难样本筛选实现异构模型间的有效知识共享。

通信开销大幅降低

相比其他联邦学习方法，本框架在提升诊断准确率的同时显著减少了通信量，有利于工业物联网的带宽受限环境。

应用场景

• 工业物联网：在带宽和隐私受限的工业物联网中部署故障诊断，无需上传原始数据。
• 工业机器人：让异构机器人或产线设备协作学习故障诊断模型，适应不同品牌和结构。
• 机械工程：针对旋转机械等设备，利用振动数据实现分布式故障诊断，减轻数据标注负担。
• 智能建造与结构：将联邦学习用于建筑机械的故障监测，允许多个工地在不共享数据的情况下共同提升模型。