在現代工業物聯網（IoT）中，不同企業、工廠和邊緣設備產生了大量的故障相關數據[1]。然而，由于嚴格的隱私法規、專有所有權和商業機密性，這些數據無法在組織間直接共享[2]。這種企業間的數據孤島迫使大多數企業僅使用自己的本地資源進行模型訓練，從而降低了模型性能[3]。

聯邦學習（FL）通過允許在不交換原始數據的情況下進行協作模型訓練，為解決數據孤島問題提供了有前景的解決方案[4]、[5]、[6]。通過FL，每個參與者可以共同構建一個全局診斷模型，捕捉更全面的故障模式，同時確保數據隱私。例如，Mehta等人[7]設計了一個用于旋轉機械復合故障診斷的FL框架。He等人[8]提出了一個用于機器級電機的聯邦跨機器診斷框架。Becker等人[9]展示了FL在邊緣端基于自動編碼器的故障診斷中的可行性。Zhang等人[10]引入了一種用于聯邦領域泛化的調整策略。Wang等人[11]在云-邊緣協作下結合了知識和無偏語義屬性，以減輕統計偏差。Hu等人[12]將監督對比學習納入聯邦過程，以更好地對齊本地和全局表示。Li等人[13]提出了一種基于模型和實例級別共識的聯邦學習方案，以提高模型性能，并在實驗室軸承數據集上進行了驗證。Yu等人[14]提出了一個基于卷積自動編碼器的聯邦框架，用于軸承故障診斷，旨在減輕客戶端與云聚合器之間的傳輸負擔。這些研究為在確保隱私和安全性的同時應用FL進行工業故障診斷提供了寶貴的見解。

然而，在實際的工業應用中部署現有的FL方法仍然面臨兩個持續存在的挑戰：

1.

非獨立同分布（non-IID）的特征分布：不同企業之間的設備類型、操作條件和控制邏輯的不可避免差異導致了數據分布的不一致性[15]，從而降低了診斷模型的性能。

2.

異構性偏差。在現實世界的工業部署中，參與聯邦故障診斷的客戶端在注釋完整性方面往往存在不一致性：一些客戶端具有相對全面的故障類別覆蓋范圍，而資源受限的客戶端缺乏某些類別的數據。這種異構性偏差使得全局聚合偏向于具有更完整標簽覆蓋范圍的客戶端，從而削弱了具有缺失類別的客戶端的泛化能力，最終降低了聯邦學習在多種工業故障類型下的診斷性能。

為了克服這些挑戰，本文提出了一種新的聯邦增強迭代學習（FedEIL）框架，用于跨機器故障診斷，該框架采用了一種迭代聯邦通信模式，而不是傳統的并行聯邦聚合。這種架構允許在不同的客戶端之間流動本地權重，以增強信息交換并減輕由非獨立同分布引起的特征偏移。為了應對異構性偏差，我們提出了一種漸進加權融合（PWF）算法，通過自適應地調整參與聯邦聚合的模型的權重來增強特征提取和全局泛化能力�？傮w而言，在聯邦訓練的早期階段，性能較弱的客戶端的模型權重會被增強，以鼓勵它們的數據特征為共同特征做出貢獻，這被稱為熱身階段。隨著訓練周期的增加，具有更高診斷性能和優化一致性的模型的權重逐漸增加，這被稱為過渡階段。在多個工業數據集上的實驗表明，所提出的框架在保持數據隱私的同時，實現了更高的跨機器準確率，為多企業協作下的跨機器工業故障診斷提供了實用且有效的技術途徑。

本文的主要創新點如下：

1.

提出了一種新的FedEIL框架，用于跨機器故障診斷，該框架考慮了客戶端展示非獨立同分布數據分布和異構性偏差的更現實的協作場景。

2.

設計了一種PWF算法，用于在聯邦訓練下自適應控制模型權重聚合，該算法通過減少梯度沖突和整合新興故障信息，同時減輕了跨客戶分布差異的負面影響，并提高了在客戶端本地缺失標簽條件下識別故障的能力。

3.

廣泛的實驗表明，所提出的框架在聯邦環境中實現了更高的跨機器診斷準確率，有效處理了非獨立同分布數據分布和異構性偏差場景。

本文的結構如下：第2節描述了所提出的FedEIL框架。第3節介紹了數據集和評估指標。第4節介紹了實驗設置、實驗結果和分析。最后，第5節總結了本文并概述了未來的研究方向。