基于联邦学习的可信机械设备时序信号预测及推广

息，可以作为客户端的数据增强工具，从而提高RUL预测的准确性，并有效缓解了各客户端之间数据异质性问题。最后，本文采用正态-逆伽马分布对深度模型的偶然不确定性（Aleatoric Uncertainty）和认知不确定性（Epistemic Uncertainty）进行建模，以提升模型预测结果的可信性和可解释性。

（2）在机械设备时序信号回归任务中，深度学习模型往往难以捕捉样本特征的内在连续性，且无法充分利用多个传感器之间的互补信息。为此，本文在研究内容（1）的基础上，提出了一种具有注意力融合机制的JRC学习框架，用于FL下的航空发动机RUL预测。该框架提取航空发动机各个传感器的特定特征，并通过注意力机制对这些特征进行融合。随后，依据样本标签的排序对融合后的特征进行排序，确保样本在特征空间中与标签的排序保持一致，来捕获样本在特征空间中的内在连续性，从而提高航空发动机RUL预测的准确性。此外，基于研究内容（1）中提出的不确定性估计方法，使得最终模型的预测结果更加可信。

参考文献（略）