航天器故障诊断通常通过判读遥测参数实现，然而，遥测到的时间序列数据由航天器各个关键设备采集，呈非独立同分布(Non - Independent Identically Distribution，Non-IID)，传统的联邦学习方法在面对此类数据时，会因为局部模型更新导致模型偏移。针对上述问题，提出联邦优化算法——联邦对比时序诊断FclTAD，主要通过分析航天器Non-IID时序数据，判断某时刻航天器是否存在异常，能及时进行干预。首先建立了联邦对比时序诊断算法，算法分为局部更新和全局聚合两阶段，局部更新利用自编码器，有效捕捉时间序列中的长期依赖和非线性关系，引入联合对比正则化损失，增强模型故障诊断的判别能力；其次考虑传感器之间的差异，全局聚合阶段，通过规范化和加权聚合策略，适当修正不一致的局部更新，减少错误更新对全局模型的负面影响。最后，利用NASA公开数据集MSL和SMAP以及机器预测服务器数据集(PSM)进行仿真实验。实验结果表明，所提出的方法与其他方法相比，在航天器Non-IID时序数据故障诊断精确度可提高约14.37%，调整后F1值提高约7.82%，在保护航天器数据隐私的同时，既考虑了“客户漂移”问题，又较好的利用了局部和全局模型的内在关系。