DOI:10.3969/j.issn.1672-3872.2026.16.021
摘 要:【目的】解决智能农机装备在实际工况中存在的数据碎片化及故障样本类别不均衡问题。【方法】提出了一种改进的联邦学习方法(CIFD)。该方法通过类别加权优化机制重构本地损失函数权重分配,以增强模型对少数类故障样本的特征提取能力;引入不均衡感知的自适应近端正则项,利用本地数据抑制由工况异质性引发的局部模型偏移。同时,采用CWRU滚动轴承振动数据集开展农机轴承故障诊断实验,以验证CIFD方法的有效性。【结果】在CWRU数据集上,4个农机客户端的平均准确率达90.88%,平均召回率达89.49%。这表明CIFD方法在故障小样本场景下仍能保持较高敏感度,具备较强的特征表征能力与泛化性能。【结论】本研究提出的CIFD方法可在保障各农机终端数据隐私的同时,显著提升模型在故障小样本场景下的诊断精度与召回率,为农业机械分布式故障诊断提供了一种可行的技术路径。
关键词:农机滚动轴承;故障诊断;联邦学习;类别不均衡
引文信息:[1]朱晓培.基于联邦学习的农机滚动轴承故障诊断研究[J].南方农机,2026,57(16):71-73.
查看全文请下载PDF文件↓