Federated adaptive edge node learning method for industrial equipment remaining useful life prediction
Abstract
在分布式的工业设备寿命预测任务中，受数据隐私保护和分布式部署等因素限制，运行数据难以集中共享，导致单节点数据训练的寿命预测模型难以跨设备应用. 联邦学习通过在不共享原始数据的前提下实现多节点协同建模，为解决分布式场景的寿命预测提供了有效途径. 然而，在实际工业场景中，受计算能力和通信条件限制，各节点参与联邦训练的程度往往不一致，同时各节点在运行工况和数据分布等方面普遍存在差异，上述因素易引发模型聚合偏移，进而影响模型在不同节点上的预测性能. 针对上述问题，本文提出了一种面向工业设备寿命预测的边缘节点自适应联邦学习方法（Federated Adaptive learning for industrial Edge Nodes，FedAEN）. 该方法从节点与模型两个层面进行考虑：①在节点层面，针对不同节点训练参与程度不一致的问题，通过度量各节点模型更新之间的相似性，引导全局模型进行自适应加权聚合，从而抑制低一致性节点对聚合结果的干扰；②在模型层面，针对节点数据分布差异引起的特征表示偏移问题，将寿命预测模型拆分为共享表示模块与本地自适应预测模块，并在训练过程中约束共享表示模块在相邻联邦轮次之间的变化幅度，以稳定特征表示空间，同时利用全局模型对本地训练过程进行知识引导，在保持节点本地预测能力的基础上提升模型的整体泛化性能. 通过在刀具和轴承两类典型工业设备数据集上的实验，结果表明，所提方法在多节点分布式条件下能够有效提升寿命预测的精度与稳定性，验证了其在工业场景中的有效性.
Fields of Study & Subjects
Privacy-Preserving Technologies in Data
Machine Fault Diagnosis Techniques
Reliability and Maintenance Optimization
Publication details
- Journal / source
- Scientia Sinica Technologica
- Volume
- 56
- Issue
- 4
- Pages
- 1148–1159
- Publication date
- 11 February 2026
- Language
- EN