时序数据趋势跟踪在工业安全预警领域引起广泛关注,如煤矿井下电磁辐射强度的趋势变化可为冲击矿压的安全预警提供重要依据。目前,工业时序数据的趋势定义相对简单,跟踪准确度有待提高;此外,针对多传感数据互补及隐私保护需求的趋势跟踪研究还较少。近年来提出的联邦学习(Federated Learning,FL)可在有效保护数据安全的同时提高数据融合特征的互补性,但是,已有研究较少针对工业时序数据趋势跟踪问题,针对此,本文研究基于联邦学习的工业时序数据趋势跟踪,主要内容如下:(1)基于改进LSTM网络的时序数据趋势跟踪:首先,借鉴股票市场价格变化趋势给出工业时序数据趋势的相关定义,将趋势跟踪问题转变为新形式的时序数据预测问题;在此基础上,针对单一传感器工业数据,提出基于微粒群进化优化算法与梯度下降法相融合的改进长短期记忆网络(Long Short-Term Memory,LSTM)算法,给出基于该LSTM网络的时序数据趋势跟踪策略;最后,将所提算法应用于单一传感器采集的电磁辐射强度以及UCI数据集中PM2.5时序数据的趋势跟踪问题,仿真结果表明所提算法可有效提高趋势跟踪的精度。(2)基于联邦学习特征融合的多传感器时序数据趋势跟踪:在研究内容(1)的基础上,进一步考虑多传感器工业时序数据趋势跟踪。首先,将各传感器视为独立的客户端,利用研究内容(1)所提LSTM提取各传感器时序数据的趋势特征;随后,将数据特征和模型参数同时上传至FL中央服务器,并给出了面向各客户端的特征融合策略;然后,基于融合特征和各客户端时序数据,利用回声状态网络对各传感器数据实现精准趋势跟踪;最后,将所提算法应用于矿井多传感器采集的电磁辐射强度的趋势跟踪中,实验结果证明了所提算法能够在保护数据隐私安全的前提下提升趋势跟踪的精度。(3)基于异构客户端和关键特征融合改进联邦学习的时序数据趋势跟踪:考虑各传感器数据规模的差异性和FL算法高通讯代价,进一步研究具有异构客户端模型和低通讯成本的改进FL算法,实现时序数据趋势跟踪。针对此,首先根据各客户端数据集的差异性,给出构建相应的浅层或深度神经网络模型的依据;然后,进一步采用奇异值分解策略,对客户端模型的全连阶层进行参数关键特征提取,大幅度减少通讯代价;随后,针对上传数据和模型的异构特性,给出中央模型参数的分类聚合机制;最后,将所提算法分别应用于典型分类数据集和矿井多传感器采集的电磁辐射强度趋势跟踪问题,结果证明所提方法可有效提高模型精度,大大降低通讯代价。上述研究内容的研究对象从单传感器时序数据过渡至多传感器时序数据,面向不同研究对象设计了不同的趋势跟踪算法,并验证了所提算法在趋势跟踪方面的优越性。该论文有图27幅,表21个,参考文献101篇。