Privacy protection as a major concern of the industrial big data enabling entities makes the massive safety-critical operation data of a wind turbine unable to exert its great value because of the threat of privacy leakage. How to improve the diagnostic accuracy of decentralized machines without data transfer remains an open issue; especially these machines are almost accompanied by skewed class distribution in the real industries. In this study, a class-imbalanced privacy-preserving federated learning framework for the fault diagnosis of a decentralized wind turbine is proposed. Specifically, a biometric authentication technique is first employed to ensure that only legitimate entities can access private data and defend against malicious attacks. Then, the federated learning with two privacy-enhancing techniques enables high potential privacy and security in low-trust systems. Then, a solely gradient-based self-monitor scheme is integrated to acknowledge the global imbalance information for class-imbalanced fault diagnosis. We leverage a real-world industrial wind turbine dataset to verify the effectiveness of the proposed framework. By comparison with five state-of-the-art approaches and two nonparametric tests, the superiority of the proposed framework in imbalanced classification is ascertained. An ablation study indicates that the proposed framework can maintain high diagnostic performance while enhancing privacy protection.

中文翻译：

---

具有生物特征认证的分散式故障诊断的类不平衡隐私保护联邦学习

隐私保护作为工业大数据赋能主体的主要关注点，使得风电机组的海量安全关键运行数据因隐私泄露的威胁而无法发挥其巨大价值。如何在没有数据传输的情况下提高分散机器的诊断准确性仍然是一个悬而未决的问题；尤其是这些机器在现实行业中几乎伴随着倾斜的阶级分布。在这项研究中，提出了一种用于分布式风力涡轮机故障诊断的类不平衡隐私保护联邦学习框架。具体来说，首先采用生物特征认证技术来确保只有合法实体才能访问私人数据并防御恶意攻击。然后，具有两种隐私增强技术的联合学习可以在低信任系统中实现高潜在隐私和安全性。然后，集成了一个单独的基于梯度的自我监控方案，以确认全局不平衡信息，用于类不平衡故障诊断。我们利用现实世界的工业风力涡轮机数据集来验证所提出框架的有效性。通过与五种最先进的方法和两个非参数测试进行比较，确定了所提出的框架在不平衡分类中的优越性。消融研究表明，所提出的框架可以在增强隐私保护的同时保持高诊断性能。集成了一个完全基于梯度的自我监控方案，以确认全局不平衡信息，用于类不平衡故障诊断。我们利用现实世界的工业风力涡轮机数据集来验证所提出框架的有效性。通过与五种最先进的方法和两个非参数测试进行比较，确定了所提出的框架在不平衡分类中的优越性。消融研究表明，所提出的框架可以在增强隐私保护的同时保持高诊断性能。集成了一个完全基于梯度的自我监控方案，以确认全局不平衡信息，用于类不平衡故障诊断。我们利用现实世界的工业风力涡轮机数据集来验证所提出框架的有效性。通过与五种最先进的方法和两个非参数测试进行比较，确定了所提出的框架在不平衡分类中的优越性。消融研究表明，所提出的框架可以在增强隐私保护的同时保持高诊断性能。