计量学报

作者：徐玲艳,陆艺,赵静

单位：中国计量大学 计量测试工程学院,浙江 杭州 310018

关键词：故障诊断;数控机床;边云协同;联邦学习; 振动信号

基金：浙江省科技计划项目省级重点研发计划(2021 C01136)

为解决数控机床主轴轴承和刀具在进行故障诊断模型训练时需要大量数据且耗时长的问题,提出一种基于边云协同架构的联邦平均学习故障诊断模型。首先,设计一维卷积神经网络模型架构,在各边缘客户端进行本地模型训练,以减小数据上传规模和分担云服务器端计算压力;其次,在云服务器端基于准确率优化模型聚合算法,改进边缘客户端筛选算法,以加快模型收敛速度,提高模型准确率;再次,在云服务器端搭建基于Kubernetes的KubeEdge边云协同平台,以缩短数据传输的通信时间。实验结果表明,模型在各边缘客户端故障诊断的准确率最终稳定在87.5%左右;且收敛速度、训练时长等方面与对照组相比,均获得优化。

来源：2024年第6期

《计量学报》期刊编辑部

查看计量学报杂志2024年第6期