Los rodamientos, como los componentes mecánicos clave de la maquinaria rotativa, se utilizan ampliamente en equipos aeroespaciales modernos, como helicópteros y motores aéreos. El diagnóstico inteligente de fallos, como la función principal de los sistemas de gestión de salud predictiva, juega un papel crítico en el mantenimiento de la seguridad del equipo en aplicaciones aeroespaciales. Recientemente, los enfoques de diagnóstico inteligente impulsados por datos han logrado un gran éxito debido a la disponibilidad de datos etiquetados a gran escala, de alta calidad y completos. Sin embargo, en una aplicación real, los datos etiquetados a menudo son escasos porque requieren etiquetado manual, lo cual consume tiempo y es intensivo en mano de obra. Mientras tanto, los datos de monitoreo de salud suelen estar dispersos en diferentes regiones o equipos en forma de islas de datos. Las técnicas tradicionales de diagnóstico de fallos no logran reunir suficientes datos para el entrenamiento del modelo debido a la seguridad de los datos, conflictos económicos, leyes relativas y otras razones. Por lo tanto, es un desafío combinar efectivamente las ventajas de los datos de diferentes equipos para desarrollar un modelo de diagnóstico inteligente con mejor rendimiento. Para abordar este problema, se propone un nuevo método de aprendizaje federado por clustering (CFL) con un mecanismo de autoatención para el diagnóstico de fallos en rodamientos. En primer lugar, se desarrolla una red neuronal profunda con un mecanismo de autoatención en un tubo convolucional para la extracción de características, que puede capturar información local y global de la entrada en bruto. Luego, se construye el CFL para reunir los datos de diferentes equipos con una distribución de datos similar de manera no supervisada. Finalmente, el modelo de diagnóstico basado en CFL puede ser bien entrenado al aprovechar completamente los datos distribuidos, mientras se garantiza la seguridad de la privacidad de los datos. Se llevan a cabo experimentos con tres conjuntos de datos de rodamientos diferentes en aplicaciones aeroespaciales. La efectividad y la superioridad del método propuesto se han validado en comparación con otros esquemas populares de diagnóstico de fallos.