基于联邦增量学习的工业物联网数据共享方法

作者：刘晶; 董志红; 张喆语; 孙志刚; 季海鹏

来源：计算机应用, 2021, 1-11.

• 工业物联网
• 联邦学习
• 增量学习
• 数据不均衡
• 优选子端

针对工业物联网新增数据量大、工厂子端数据量不均衡的问题，提出了一种基于联邦增量学习的工业物联网数据共享方法（FIL-IIOT）。该方法首先将行业联合模型下发到工厂子端作为本地初始模型，然后提出联邦优选子端算法来动态调整参与子集，最后通过联邦增量学习算法计算出工厂子端增量加权，从而使新增状态数据与原行业联合模型快速融合。实验结果表明，在美国凯斯西储大学（CWRU）轴承故障数据集上，所提FIL-IIOT方法使轴承故障诊断效率达到93.15%，相比联邦均值（FedAVG）和无增量公式的FIL-IIOT（FIL-IIOT-NI）方法分别提高了6.18%和2.59%，满足了基于工业增量数据的行业联合模型持续优化的需求。

• 单位
  河北工业大学; 长城汽车股份有限公司; 材料科学与工程学院