针对工业物联网（IIOT）新增数据量大、工厂子端数据量不均衡的问题，提出了一种基于联邦增量学习的IIOT数据共享方法（FIL-IIOT）。首先，将行业联合模型下发到工厂子端作为本地初始模型；然后，提出联邦优选子端算法来动态调整参与子集；最后，通过联邦增量学习算法计算出工厂子端的增量加权，从而使新增状态数据与原行业联合模型快速融合。实验结果表明，在美国凯斯西储大学（CWRU）轴承故障数据集上，所提FIL-IIOT使轴承故障诊断精度达到93.15%，比联邦均值（FedAvg）算法和无增量公式的FIL-IIOT（FIL-IIOT-NI）方法分别提高了6.18个百分点和2.59个百分点，满足了基于工业增量数据的行业联合模型持续优化的需求。

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题，提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先，采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理；其次，构建1DCNN-BiLSTM双通道模型，将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道，从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取；然后，针对信号夹杂强噪声的问题，对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道；最后，输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验，结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道，1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%，优于传统单通道模型，有效提高了机械设备故障诊断效率。