1.一种用于轴承故障诊断的联邦学习算法，其特征在于，所述算法运行于多个本地节点与一个聚合节点，包括以下步骤：

步骤1、每个本地节点对传感器网络的数据进行汇聚，并对传感器的数据采用分时、分区、分割、归一化在内的预处理；

步骤2、采用卷积神经网络模型对预处理后的数据进行训练；

步骤3、当本地训练完成后，根据改进聚合策略判断本地迭代次数是否等于最大本地迭代次数或正确率是否满足阈值，如果满足则此轮训练结束；不满足则继续本地训练；加权策略是采用加权F1分数作为本地节点的权重计算方法，在权重计算中充分考虑了召回率、准确率和具体故障类型在内的因素；然后，计算本地模型的F1分数；最后，对模型参数M(w)、F1分数和样本总数ni进行同态加密并发送到聚合节点。

步骤4、聚合节点在接收到所有本地节点发送的信息后，对信息进行解密，然后根据F1分数加权策略对所有本地模型进行加权和聚合，得到一个新的初始模型；最后，将初始模型广播到参与的本地节点，本地节点收到聚合节点发送的初始模型后，进行收敛检查，如果模型已经达到收敛，则本节点退出联邦学习。相反，使用初始模型开始新一轮的联邦学习。

2.根据权利要求1所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，每个本地节点就是一个边缘服务器，内有对各个部件和环境的传感器以及控制设备的采集器，在车间内的边缘服务器对传感器网络的数据进行汇聚，实现边缘侧对底层的数据的处理，本地节点作为联邦训练任务的发起人和参与者，负责训练本地模型和存储数据，聚合节点作为可信的第三方，负责模型的加密、解密和聚合。

3.根据权利要求1所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，所述步骤1在模型训练之前需要先对数据做预处理，具体包括：首先，本地节点按分区管理各种数据，每个分区先按时间划分，按小时分为不同的文件；紧接着将不同设备的数据单独分区；

然后，使用本地的Python程序将原始数据划分为一维的数据，存储在数据库中等待统一处理；最后，在局部模型训练阶段，各节点对其数据库中存储的轴承振动信息进行统一的预处理，采用是窗口采样法对原始振动数据进行预处理，得到1×n维矢量数据，作为神经网络的输入。

4.根据权利要求3所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，采用窗口采样法采集样本的数量如下式可得：

其中N为单个故障类型数据点长度，Step为采样信号长度，Offset为数据采样间隔。

5.根据权利要求1所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，所述步骤1归一化处理为：把数据映射到0～1范围之内处理，更加便捷快速，其中x为当前样本数据值，xmax为样本数据的最大值，xmin为样本数据的最小值，归一化处理公式为：

6.根据权利要求1所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，所述步骤3本地模型权重的计算方法为：

其中是K是类的数量，TPij、FPij、FNij、F1ij分别表示第i个本地节点的模型在训练集中第j个类的真正率，假正率，假负率和F1分数；precision、recall分别表示模型在训练集中测得的的准确率和召回率；Wk表示在训练开始时根据所有参与训练本地节点的数据计算的不同类的权重；F1i表示第i个本地节点在模型聚合中的权重，在本文的改进中，采用加权F1分数作为本地节点的权重计算方法。

7.根据权利要求6所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，使用F1分数来评价本地模型的质量，使得F1分数高的本地模型发挥更大的作用。模型聚合公式为t+1

M 、P、ni、Fi分别表示模型参数，参与训练的节点数量，边缘设备i的数据量，边缘设备i的F1分数。

8.根据权利要求1所述的一种用于轴承故障诊断的联邦学习算法，其特征在于，所述步骤4采用一种基于正确率阈值的异步聚合算法，具体包括：首先，本地节点接收从聚合节点发送的初始模型，并且对模型进行评估，计算出临时正确率阈值；然后，开始使用本地数据迭代训练初始模型，每次迭代训练之后都检查本地迭代次数是否超过最大本地迭代次数或者评估正确率是否超过了临时正确率阈值。如果条件满足，则本地节点将模型参数发送到聚合节点。否则，本地节点将继续下一次模型训练迭代，然后确定是否可以发送模型。