원래 이름 기록: 山东浪潮傲林大数据科技有限公司

本申请涉及人工智能技术领域，具体涉及一种基于多级联邦学习的工业设备故障诊断方法及系统，所述方法包括：采集工业设备的运行时序数据，对当前设备端部署的故障诊断模型进行训练，得到训练后的本地模型参数；基于动态权重分配策略，对接收到的多个设备端的本地模型参数进行加权聚合，生成区域级模型参数；整合所有区域级模型参数，并注入差分隐私噪声，生成全局故障诊断模型；对全局故障诊断模型进行协同优化压缩，并将压缩后的模型分发至各设备端，以更新设备端当前部署的故障诊断模型；基于各设备端在本轮及历史联邦学习中的贡献数据，执行贡献评估与激励分配流程，并将评估结果更新所述动态权重分配策略。满足了工业场景的快速响应需求。

本发明提供一种基于多模态传感器的异构数据智能融合方法、系统、设备及介质，属于传感器感应数据融合技术领域，本发明获取多个传感器对同一物理量的时序测量值；通过递推平均计算自相关和互相关函数，进而估计各传感器方差；基于方差滑动平均值计算趋势修正因子，并确定各传感器最优权重；计算各时刻传感器测量值的平均值形成序列；通过AIC准则自适应选择多项式拟合阶数，建立拟合函数；最后结合加权融合值和拟合值输出最终融合结果。该方法有效提升了多源异构传感器数据融合的准确性、稳定性和自适应能力，增强了系统的抗干扰性和鲁棒性。