基于LSTM的故障检测：服务器化Gossip训练与联邦学习对比研究

摘要：本研究探讨了基于LSTM的故障检测模型在服务器化Gossip训练与联邦学习（FedAvg）之间的性能对比。研究在NASA C-MAPSS涡轮风扇数据集上进行了实验，结果表明，Gossip训练在数据异质性适中的情况下表现接近FedAvg，且无需中央服务器。在FD001子集上，Gossip训练的F1得分为89.6%，与FedAvg的89.9%接近，但显著优于本地训练的83.6%。此外，Gossip训练在面对模拟消息丢失、节点故障和服务器中断时表现出良好的鲁棒性。研究指出，随着数据异质性增加，更快的混合拓扑结构对Gossip训练至关重要。

---

研究背景与动机

随着工业预测性维护的普及，从跨站点设备中学习变得至关重要。然而，由于传感器数据难以集中，传统的集中式学习方法面临挑战。联邦学习（FedAvg）通过中央服务器解决了这一问题，但Gossip学习提供了一种无需服务器的替代方案。本研究旨在评估Gossip训练在LSTM故障检测模型中的表现，并与FedAvg、本地训练和集中式训练进行对比。

方法与实验

研究在NASA C-MAPSS涡轮风扇数据集上进行了实验，所有方法共享相同的实现、架构、初始化、优化器、数据分割和训练预算。主要评估指标为终端窗口的F1得分，以避免重叠窗口的统计依赖性。

主要发现

1. 性能对比：在FD001子集上，Gossip训练的F1得分为89.6%，与FedAvg的89.9%接近，但显著优于本地训练的83.6%和集中式训练的93.5%。
2. 通信效率：Gossip训练在传输与FedAvg相同负载的情况下，无需中央协调器。
3. 节点一致性：节点模型之间的一致性较高，但不完全一致（成对决策不一致率为1.8%，而无通信时为5.6%）。
4. 多条件子集表现：在FD002-FD004子集上，peer通信将终端窗口F1得分提高了13-28个百分点；Gossip训练在FD003和FD004上与FedAvg表现相当，但在多条件FD002子集上低4.3个百分点。
5. 鲁棒性：模拟的消息丢失、节点故障和服务器中断对两种方法的影响均不显著，但更大的Gossip环会更快地降低性能。

结论与建议

Gossip训练在数据异质性适中的情况下是一种实用的无服务器替代方案。随着数据异质性的增加，更快的混合拓扑结构变得重要。研究表明，Gossip训练不仅在性能上接近FedAvg，还具有更好的可扩展性和鲁棒性，为工业预测性维护中的分布式学习提供了新的思路。

开发者建议

• 适用场景：适用于数据异质性适中且无法集中存储的场景。
• 优化方向：探索更快的混合拓扑结构以提升Gossip训练在高度异质性数据上的表现。
• 安全性：在设计Gossip训练系统时，需考虑节点故障和通信中断的应对策略。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-09-30)

—— 完 ——

主题标签： #LSTM 关注 #Gossip Training 关注 #Federated Learning 关注 #故障检测 关注 #分布式学习 关注