一种基于模块化联邦深度学习的多工况在线故障诊断方法

本发明公开了一种基于模块化联邦深度学习的多工况在线故障诊断方法。大型机械设备工作在多工况环境中，会破坏数据独立同分布的特性导致采集的数据质量较低，且单个神经网络在故障诊断时存在数据利用不充分、特征提取不全面等问题，进而影响故障诊断精度。针对上述问题，提出一种模块化联邦学习的方法，首先根据单工况序列数据建立深度神经网络模块进行特征抽取，同时利用新的网络对多工况序列数据进行特征抽取，之后多模块联邦进行决策层的特征联邦学习，并利用胶囊模块网络进一步进行模块划分，通过自适应联邦以实现模块间权重自适应分配给顶层故障诊断模块，从而更加精确的进行多工况故障诊断。该方法通过模块化联邦使得故障诊断更加准确。