近日，我校计算机科学与技术学院吴宣够教授课题组与北京交通大学、新加坡南洋理工大学等高校研究人员合作，揭示了真实场景中进行联邦故障诊断面临的重要挑战及其相关解决方案。相关研究成果发表在计算机科学国际顶尖期刊《IEEE Transactions on Industrial Informatics》（IF 12.3，中科院一区TOP期刊）。我校为论文第一完成单位，计算机科学与技术学院硕士研究生邓东上为第一作者、吴宣够教授为通信作者。研究工作得到国家自然科学基金、安徽省教育厅协同创新等项目支持。
（跨位置非独立同分布对精度的影响）
联邦学习框架能够在保护客户端隐私的前提下，从分布式数据中进行共享模型训练，联邦学习已成为一种有前景的故障诊断方案。对比联邦学习理论本身，其面临客户端数据非同独立分布的挑战，导致模型收敛延迟和性能下降。近年来国内外研究旨在缓解跨域带来的问题，但缺少针对监控设备的跨位置传感器监控数据收集考虑。然而，在真实工业生产中，随着工业物联网的快速发展，跨越不同监控位置的设备是常见的。
（DecFFD的故障诊断框架）
（跨位置故障诊断网络结构）
（DecFFD与最新研究方法的性能对比）
针对跨位置非同独立分布问题，团队提出了一种全局特征与个性化特征解耦的个性化联邦故障诊断框架DecFFD。在DecFFD中，为每个客户端设计了一个重构器，充当监管器和解耦器，以解缠全局和个性化特征，并提出一种客户对齐算法，以消除客户之间的全局特征差异。团队对公平性和泛化能力进行了理论分析，为模型收敛性提供了理论保证，并在两个真实数据集上进行了广泛的实验。研究结果不仅进一步推进了联邦故障诊断的实际应用，还为智能物联网环境下异构数据跨域协同学习提供新的思路和方法。
论文链接：https://ieeexplore.ieee.org/document/10416955
（撰稿：赵伟 审核：吴宣够 张苒 黄敏）
