小波赋能联邦学习的机械故障诊断

doi:10.3901/JME.260414

机械工程学报 ›› 2026, Vol. 62 ›› Issue (9): 182-190.doi: 10.3901/JME.260414

• 机械动力学 • 上一篇

扫码分享

小波赋能联邦学习的机械故障诊断

李志农¹, 余紫莹¹, 王奉涛², 李喆³

1. 南昌航空大学无损检测技术教育部重点实验室南昌 330063;
2. 汕头大学智能制造技术教育部重点实验室汕头 515063;
3. 中国航发沈阳黎明航空发动机有限责任公司沈阳 110043

收稿日期:2025-10-18 修回日期:2026-01-29 发布日期:2026-07-08
作者简介:李志农，男，1966年出生，博士，教授，博士研究生导师。主要研究方向为智能检测与信号处理，机械故障诊断。E-mail：lizhinong@tsinghua.org.cn;余紫莹，女，1999年出生，硕士研究生。主要研究方向为人工智能与故障诊断。E-mail：yzy18042305@163.com;王奉涛(通信作者)，男，1974年出生，教授，博士研究生导师。主要研究方向为机械故障诊断。E-mail：ftwang@stu.edu.cn;李喆，男，1989年出生，高级工程师。主要研究方向为智能检测与评价。E-mail：Lizhesylm@163.com
基金资助:
国家自然科学基金(52075236)、智能制造技术教育部重点实验室(汕头大学)开放课题基金(STME2024002)、福建省特种智能装备安全与测控重点实验室开放基金(FJIES2024KF06)和国家自然科学基金(11202128)资助项目。

Research on Mechanical Fault Diagnosis Using Wavelet Empowered Federated Learning

LI Zhinong¹, YU Ziying¹, WANG Fengtao², LI Zhe³

1. Key Laboratory of Nondestructive Testing of the Ministry of Education, Nanchang Hangkong University, Nanchang 330063;
2. Key Laboratory of Intelligent Manufacturing Technology (Shantou University), Ministry of Education, Shantou 515063;
3. AECC Shenyang Liming Aero-Engine Co., Ltd., Shenyang 110043

Received:2025-10-18 Revised:2026-01-29 Published:2026-07-08

摘要/Abstract

摘要： 基于联邦学习的机械故障诊断方法由于缺乏可解释性，常被视作黑盒模型，这在一定程度上降低了客户端的信任度。针对此不足，提出了一种面向机械故障诊断的小波赋能联邦学习模型。在提出的模型中，利用小波系数替代传统联邦学习中的局部模型参数，在中央服务器上聚合小波系数并重构全局模型。由于小波具有平移尺度特性，所构造的模型极大地增强了可解释性。同时利用小波系数代替局部模型的参数，显著减少了参数的计算量，使收敛速度明显加快。实验结果验证了所提出方法的有效性。与传统的联邦学习模型相比，小波赋能联邦学习的故障识别性能更好。而对比小波深度学习网络，两个模型都拥有可解释性基础上，小波赋能联邦学习的鲁棒性更强。

关键词: 故障诊断, 联邦学习, 可解释性, 小波分解

Abstract: Since the mechanical fault diagnosis method based on federated learning lacks interpretability and is often regarded as a black box model, which reduces the trust of users to a certain extent. Based on this deficiency, a wavelet empowered federated learning (WEFL) model for mechanical fault diagnosis is prposed. In the proposed model, the wavelet coefficients are innovatively used to replace the local model parameters in traditional federated learning, and the wavelet coefficients are aggregated on the central server to reconstruct the global model. Due to the translation scale characteristics of wavelets, the constructed model greatly improves interpretability in federated learning. Simultaneously, local model parameters are replaced with wavelet coefficients, greatly reduce the computational cost of parameters and significantly accelerates the convergence. The experimenta test verify the effectiveness of the proposed model. Compared with the traditional federated learning model, the WEFL model has more transparency and interpretability in the decision-making process of mechanical fault diagnosis. Compared with the wavelet deep learning network (e.g. WaveletKernelNet), the WEFL model can effectively protect data privacy and solve the problem of data island.

Key words: fault diagnosis, federated learning, interpretability, wavelet decomposition

中图分类号:

TP183
TH133

李志农, 余紫莹, 王奉涛, 李喆. 小波赋能联邦学习的机械故障诊断[J]. 机械工程学报, 2026, 62(9): 182-190.

LI Zhinong, YU Ziying, WANG Fengtao, LI Zhe. Research on Mechanical Fault Diagnosis Using Wavelet Empowered Federated Learning[J]. Journal of Mechanical Engineering, 2026, 62(9): 182-190.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260414

http://www.cjmenet.com.cn/CN/Y2026/V62/I9/182

参考文献

[1] 潘如晟，韩东明，潘嘉铖，等. 联邦学习可视化：挑战与框架[J]. 计算机辅助设计与图形学学报，2020，32(4)：513-519. PAN Rusheng，HAN Dongming，PAN Jiacheng，et al. Visualization of federated learning: challenges and frameworks[J]. Journal of Computer Aided Design and Graphics，2020，32(4)：513-519.
[2] 王壮壮，陈宏松，杨丽敏，等. 联邦学习与数据安全研究综述[J]. 智能计算机与应用，2021，11(1)：126-129，133. WANG Zhuangzhuang，CHEN Hongsong，YANG Limin，et al. A review of research on federated learning and data security[J]. Intelligent Computers and Applications，2021，11(1)：126-129，133.
[3] 李晖，陈银超，孙绍山，等. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报，2024，45(17)：207-220. LI Hui，CHEN Yinchao，SUN Shaoshan，et al. Fault diagnosis method for rotor systems based on federated graph networks[J]. Journal of Aeronautics，2024，45(17)：207-220.
[4] LI Z N，LI Z D，GU F S. Intelligent diagnosis method for machine faults based on federated transfer learning[J]. Applied Soft Computing，2024，163：111922.
[5] YANG G, REN Y. Federated transfer fault diagnosis method based on variational auto-encoding with few-shot learning[J]. Mathematics，2024，12(13)：2142.
[6] 何心，段亚穷，王子栋，等. 具有隐私保护功能的半监督小样本齿轮箱故障诊断[J]. 中国科学：技术科学，2024，54(6)：1105-1119. HE Xin，DUAN Yaqiong，WANG Zidong，et al. Semi-supervised small sample gearbox fault diagnosis with privacy protection function[J]. Science in China：Technological Sciences，2024，54(6)：1105-1119.
[7] XIAO P，WANG C，LIN Z，et al. Knowledge-based clustering federated learning for fault diagnosis in robotic assembly[J]. Knowledge-Based Systems，2024，54(6)：1105-1119.
[8] WAN L J，NING J E，LI Y Y，et al. Intelligent fault diagnosis via ring-based decentralized federated transfer learning[J]. Knowledge-Based Systems，2024，284：111288.
[9] LIU G K，SHEN W M，GAO L，et al. Active federated transfer algorithm based on broad learning for fault diagnosis[J]. Measurement，2023，208：112452.
[10] ZHANG Y H，XUE X G，ZHAO X P，et al. Federated learning for intelligent fault diagnosis based on similarity collaboration[J]. Measurement Science and Technology，2023，34(4)：045103.
[11] ZHANG W，WANG Z W，LI X. Blockchain-based decentralized federated transfer learning methodology for collaborative machinery fault diagnosis[J]. Reliability Engineering & System Safety，2023，229：108885.
[12] 杜家豪，秦娜，贾鑫明，等. 基于联邦学习的多线路高速列车转向架故障诊断[J]. 西南交通大学学报，2024，59(1)：185-192. DU Jiahao，QIN Na，JIA Xinming，et al. Fault diagnosis of multi-line high-speed train bogies based on federated learning[J]. Journal of Southwest Jiaotong University，2024，59(1)：185-192.
[13] GENG D Q，HE H W，LAN X C，et al. Bearing fault diagnosis based on improved federated learning algorithm[J]. Computing，2022，104(1)：1-19.
[14] 康守强，杨加伟，王玉静，等. 基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法[J]. 仪器仪表学报，2023，44(6)：165-176. KANG Shouqiang，YANG Jiawei，WANG Yujing，et al. Rolling bearing fault diagnosis method under different working conditions based on federated multi- representation domain adaptation[J]. Journal of Instruments and Instrumentation，2023，44(6)：165-176.
[15] 邵海东，肖一鸣，闵志闪，等. 区块链和边缘计算赋能的联邦学习故障诊断框架[J]. 机械工程学报，2023，59(21)：283-292. SHAO Haidong，XIAO Yiming，MIN Zhishan，et al. Federal learning fault diagnosis framework enabled by blockchain and edge computing[J]. Journal of Mechanical Engineering，2023，59(21)：283-292.
[16] SHAO S Y，MCALEER S，YAN R Q，et al. Highly accurate machine fault diagnosis using deep transfer learning[J]. IEEE Transactions on Industrial Informatics，2019，15(4)：2446-2455.
[17] LI T F，ZHAO Z B，SUN C，et al. WaveletKernelNet：An interpretable deep neural network for industrial intelligent diagnosis[J]. IEEE Transactions on Systems，Man，and Cybernetics：Systems，2021，52(4)：2302-2312.
[18] 李泽东. 基于联邦学习的机械故障诊断方法研究[D]. 南昌：南昌航空大学，2022. LI Zedong. Research on mechanical fault diagnosis method based on federated learning[D]. Nanchang：Nanchang University of Aeronautics and Astronautics，2022.
[19] LUQUE A，CARRASCO A，MATIN A, et al. The impact of class imbalance in classification performance metrics based on the binary confusion matrix[J]. Pattern Recognition，2019，91：216-231.
[20] LAURENS V D M，HINTON G E. Visualizing data using t-SNE[J]. Journal of Machine Learning Research，2008，9(86)：2579-2605.

小波赋能联邦学习的机械故障诊断

Research on Mechanical Fault Diagnosis Using Wavelet Empowered Federated Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑思远, 李晓宇, 魏欣宇, 魏卓豪. 基于磁场的电池外部短路故障诊断方法[J]. 机械工程学报, 2026, 62(6): 220-227.
[2]	王维民, 刘延振. 基于叶尖监测的航空发动机故障诊断与预警技术研究综述[J]. 机械工程学报, 2026, 62(2): 1-16.
[3]	吴艳灵, 汤宝平, 邓蕾, 付豪. 低通筛选优化神经架构搜索的风电齿轮箱边缘侧故障诊断方法[J]. 机械工程学报, 2025, 61(7): 361-372.
[4]	雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬. 面向机械设备通用健康管理的智能运维大模型[J]. 机械工程学报, 2025, 61(6): 1-13.
[5]	韩长坤, 卢威, 宋浏阳, 王华庆. 特征原子稀疏解析的多状态机械故障诊断方法[J]. 机械工程学报, 2025, 61(6): 33-42.
[6]	刘文朋, 杨绍普, 刘永强, 顾晓辉, 王久健. 轮轨激励下高速列车轴箱轴承故障诊断方法研究[J]. 机械工程学报, 2025, 61(6): 249-259.
[7]	李华, 王天杨, 张飞斌, 褚福磊. KurVMDPgram：一种用于旋转机械故障诊断的信号分解算法[J]. 机械工程学报, 2025, 61(4): 11-23.
[8]	乐珂, 李霁蒲, 陈祝云, 何国林, 邓书涵, 李巍华. 基于无源自监督域适应的旋转机械跨域新故障诊断方法[J]. 机械工程学报, 2025, 61(3): 67-76.
[9]	李嘉佳, 易茜, 冯毅雄, 朱鹏兴, 易树平. 人本智造单元中人-智能系统协同双智能体工作机制研究[J]. 机械工程学报, 2025, 61(3): 105-118.
[10]	门志辉, 宫岛, 周劲松, 周凯. 基于格拉姆角场与并行卷积Transformer的列车传动系统故障诊断方法[J]. 机械工程学报, 2025, 61(24): 168-179.
[11]	黄金凤, 王成城, 何宏亮, 王旭, 李奇, 杨康定, 王凯, 张飞斌, 秦朝烨, 褚福磊. 思维链范式智能运维文本基多模态智能体[J]. 机械工程学报, 2025, 61(23): 58-74.
[12]	胡济民, 罗洋, 于亦浩, 石娟娟, 黄伟国, 沈长青, 朱忠奎. 多源内部故障激励下深沟球轴承三维动态解析建模及振动分析[J]. 机械工程学报, 2025, 61(23): 96-107.
[13]	郑近德, 丁文海, 程健, 李姜宏, 桑炜. 基于故障特征显著性指数图的滚动轴承最优解调频带识别方法[J]. 机械工程学报, 2025, 61(23): 108-119.
[14]	董绍江, 夏宗佑, 邹松, 赵兴新, 雷开印. 数据缺失条件下基于对比嵌入特征生成的滚动轴承广义零样本故障诊断方法[J]. 机械工程学报, 2025, 61(23): 156-169.
[15]	王玉静, 李祎然, 康守强, 刘连胜, 李玉庆, 孙宇林. 基于数字孪生的不同工况下谐波减速器故障诊断方法[J]. 机械工程学报, 2025, 61(18): 12-26.