基于联邦学习的云边融合故障诊断研究

作　　者： 王帅；张旭；詹昊；杜立娇；李若辰

摘　　要： 针对风电机组故障诊断中的数据隐私与分散性问题，文章提出一种基于联邦学习实现多节点协同训练下的高效故障识别。该方法通过联邦聚合机制整合各边缘节点的本地模型参数，在保护数据隐私的同时提升诊断性能。实验采用典型工业设备振动数据集，设置 6 个边缘节点模拟非独立同分布（Non-Independent and Identically Distributed, Non-IID）场景，系统探究了学习率这一关键超参数对模型诊断性能的影响。结果表明，当学习率为 0.001 时，模型达到最优测试精度 92.3%，较单节点独立训练提升 8.1%，且显著优于过高或过低学习率下的性能（下降幅度达 18.2%）。进一步分析显示，该框架对突发性故障的检测精度高达 95.6%，验证了其在复杂工业场景中的适用性。本研究为分布式故障诊断提供了一种隐私安全、性能优越的解决方案，同时为联邦学习的超参数优化提供了实践指导。

来　　源： 《信息产业报道》 2026-05