计算机应用

作者：刘晶, 董志红, 张喆语, 孙志刚, 季海鹏

单位：1.河北工业大学 人工智能与数据科学学院，天津 300401；2.河北省数据驱动工业智能工程研究中心（河北工业大学），天津 300401；3.天津开发区精诺瀚海数据科技有限公司，天津 300401；4.长城汽车股份有限公司 天津哈弗分公司，天津 300462；5.河北工业大学 材料科学与工程学院，天津 300401

关键词：工业物联网（IIOT）,联邦学习,增量学习,数据不均衡,优选子端

基金：河北省自然科学基金资助项目(F2019202062)

针对工业物联网（IIOT）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IIOT数据共享方法（FIL-IIOT）。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的增量加权，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使轴承故障诊断精度达到93.15%，比联邦均值（FedAvg）算法和无增量公式的FIL-IIOT（FIL-IIOT-NI）方法分别提高了6.18个百分点和2.59个百分点，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。

来源：2022年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第4期