科研之友
微信
新浪微博
Facebook
分享链接
摘要
工业物联网助推机械故障诊断步入大数据时代，然而因各节点需要共享本地的私有数据而造成隐私泄露是当前工业物联网亟需解决的问题。联邦学习有望应用于工业物联网以实现在私有数据不离开本地存储的前提下，协同各节点训练诊断模型。然而，联邦学习面临着以下诸多挑战。首先，联邦学习的中心化架构极易引发单点故障。其次，工业物联网中各节点的故障数据通常是非独立同分布的，以致联邦学习难以收敛。再次，联邦学习缺乏防御手段来阻止恶意节点的攻击。最后，联邦学习需要激励机制来鼓励节点分享资源。针对这些挑战，提出了一种区块链和边缘计算赋能的联邦学习故障诊断框架，采用去中心化的模式保障工业物联网中机械设备故障数据的隐私和安全。在此框架中，构造了一种特征对比损失函数来解决非独立同分布问题，设计了一种拜占庭容错的评分机制来抵抗投毒攻击，并开发了一种基于信誉的激励算法来评估应给予节点的奖励。所提方法被应用于工业物联网中风力发电机的行星齿轮箱故障诊断模拟场景，在私有本地数据不泄露的前提下，展现出最优的综合性能。
-
单位湖南大学; 南京电子技术研究所
