본 논문은 산업 데이터 부족으로 인해 개별 장비 사용자, 특히 스타트업이 포괄적인 고장 진단 모델을 독립적으로 학습하는 데 어려움을 겪는 문제를 해결하기 위해 연합 학습 기반의 새로운 고장 진단 프레임워크인 FedIFL(Federated Invariant Features Learning)을 제안합니다. FedIFL은 서로 다른 클라이언트 간의 고장 모드 차이(레이블 공간 불일치)로 인해 발생하는 일반화 성능 저하 문제를 해결하기 위해, 클라이언트 내 학습에서는 prototype contrastive learning을, 클라이언트 간 학습에서는 feature disentanglement mechanism과 instance-level federated instance consistency loss, federated instance personalization loss, orthogonal loss를 활용합니다. 실제 모터 구동 시스템(MDSs) 데이터를 이용한 실험을 통해 FedIFL의 효과와 우수성을 검증하였습니다.
