《Computers and Electrical Engineering》：Scalable decentralized prognostics for industrial systems under data heterogeneity
編輯推薦：
針對工業軸承監測中數據稀缺、隱私敏感和非獨立同分布（non-IID）問題，本研究構建聯邦學習（FL）基準框架，通過Dirichlet采樣控制異質性水平，評估不同聚合策略與優化器在分類（故障檢測）和回歸（剩余壽命預測）任務中的表現，揭示FL穩定性閾值及優化器適配規則，為工業物聯網部署提供可操作的指導。
Jose Tupayachi|Anam Nawaz Khan|Xueping Li
田納西大學工業與系統工程系，525 John D. Tickle大樓，諾克斯維爾，37996，TN，美國
摘要
基于狀態的監測（CBM）通過實時傳感器數據分析實現早期故障檢測，在預測性維護中發揮著重要作用。然而，工業系統中故障事件的稀少性限制了集中式學習方法的性能，這些方法往往會對正常條件過度擬合，從而錯過罕見故障。集中式方法還引發了隱私、通信和可擴展性的問題。在聯邦環境中全局模型的收斂受到本地設備上故障數據分布的影響。在實際部署中，這種分布通常是不均勻的，這可能會阻礙收斂。為了解決這些挑戰，本研究針對數據稀缺的故障場景，引入了一個針對套筒軸承基于狀態監測的聯邦學習（FL）基準測試。我們沒有依賴傳統的獨立同分布（IID）假設，而是使用Dirichlet采樣對真實的傳感器數據集設計了可控的非IID數據分布。這使得我們能夠系統地探索不同程度的異質性如何影響FL性能。我們在深度網絡架構上對多種基礎、擴展和新穎的聚合策略進行了基準測試，涵蓋了分類和剩余使用壽命預測任務。關鍵的是，我們揭示了Dirichlet參數如何與優化器特定的動態相互作用，揭示了在中等非IID條件下的故障模式，并識別出FL保持穩定或崩潰的區間。通過將實證評估與實際部署場景相結合，我們的研究為資源受限、隱私敏感的工業環境中的基于FL的CBM提供了可操作的啟發式方法。
引言
基于狀態的監測（CBM）通過實時分析傳感器數據（如振動、溫度和聲學信號）[1]、[2]、[3]、[4]、[5]、[6]、[7]，實現工業系統中的早期故障檢測。最近，深度學習模型在通過學習傳感器數據的時間相關性方面發揮了關鍵作用，從而實現了更準確和可靠的剩余使用壽命（RUL）預測[8]、[9]、[10]、[11]、[12]、[13]。然而，集中式方法面臨三個關鍵限制：（1）原始數據聚合帶來的隱私問題，（2）由于故障事件稀少導致的數據稀缺，以及（3）在異構部署環境中的泛化能力差[14]、[15]、[16]、[17]、[18]。
為了克服這些挑戰，聯邦學習（FL）允許在不需要共享原始數據的情況下，在地理上相距較遠的傳感器節點之間進行協作模型訓練和分散式處理[19]、[20]、[21]。通過僅交換模型更新，FL保護了隱私，降低了通信成本，并能夠從地理分布廣泛的工業資產中學習。然而，由于非IID數據分布[22]、客戶端異質性以及在故障稀缺條件下的優化器不穩定性，將FL部署到實際CBM中仍然具有挑戰性。最近的FL-CBM研究在電池健康評估[23]、[24]、渦輪風扇預測[25]和旋轉機械故障診斷[27]、[28]方面取得了進展，但關鍵的方法論差距限制了它們的部署準備情況（詳見第2節）。
研究問題。 為了支持可部署的FL-CBM系統，本研究引入了一個全面的基準測試，系統地評估了在實際工業約束下的現有FL聚合策略。我們沒有提出新的FL算法，而是提供了一個嚴格的評估框架，解決了三個關鍵的部署問題：
- RQ1：
數據異質性的程度如何影響故障稀缺CBM場景中FL的收斂性和穩定性？
- RQ2：
哪些聚合策略在不同非IID條件下能夠在分類（偏移故障檢測）和回歸（RUL預測）任務中保持魯棒性？
- RQ3：
異質性、客戶端參與度和優化器超參數的實證閾值是多少，超過這些閾值后基于FL的CBM會變得不可靠或不穩定？
我們的目標是為在隱私敏感、資源受限的工業環境中配置FL系統的實踐者提供部署指南和設計啟發式方法。這些研究問題直接解決了表1中確定的差距：RQ1建立了先前工作中缺失的參數化異質性控制[16]、[27]、[29]，RQ2實現了單任務研究中不可用的跨任務比較[25]、[30]，RQ3提供了現有FL-CBM基準測試中缺失的優化器感知穩定性分析。
主要貢獻。 本研究為CBM中的FL引入了一個結構化且以部署為導向的基準測試框架，針對數據稀缺、不平衡和非IID故障數據的實際工業場景。與關注理想化條件下最終準確性的傳統基準測試不同，我們的框架旨在揭示現有FL算法的局限性，并指導開發適用于實際邊緣部署的強大、可擴展的解決方案。主要貢獻包括：
- •
我們實現了基于Dirichlet的數據分區，系統地改變了濃度參數（
），使得能夠在從極端非IID到接近IID條件的連續異質性水平上控制FL聚合策略的測試。這種參數控制揭示了在臨時分區或自然域劃分下隱藏的關鍵穩定性閾值和故障模式。
我們進行了雙任務評估，在相同的異質性條件下評估了偏移故障分類（MLP）和基于序列的RUL預測（LSTM）。這種跨任務分析表明，聚合策略表現出特定的任務性能特征，某些方法在分類方面表現優異，但在回歸方面可能失敗，反之亦然——這對于多目標CBM部署至關重要。
•我們結合了輪次級別的收斂診斷、超參數敏感性分析和優化器感知的穩定性跟蹤，涵蓋了基礎、擴展和新穎的方法，并與SGD、Adam和非凸優化器進行了配對。這種方法揭示了在非IID條件下決定收斂行為的優化器-聚合器交互效應。
•我們提供了實證部署啟發式方法，包括Dirichlet參數的定量閾值（
（），以確保在隱私敏感、故障稀缺的工業環境中學習的穩定性，包括客戶端參與率（收斂所需的最低20%）和優化器超參數（服務器學習率、動量和適應性）。•我們提供了一個公開可用的基準測試協議，其中包含了文檔化的實驗配置，使得未來的FL算法可以在受控的異質性條件下與標準化基線進行可復制的比較。這促進了透明的算法開發和部署準備評估。
論文結構。 第2節回顧了FL-CBM的相關工作并確定了研究空白。第3節分析了問題表述和物理系統。第4節詳細介紹了基準測試方法和實驗設計。第5節展示了偏移檢測和RUL預測的評估結果。第6節討論了意義、部署建議和未來方向。
部分摘錄
聯邦學習：基礎和隱私保護的工業物聯網
聯邦學習（FL）由McMahan等人[31]提出，通過交換模型參數而不是原始數據來實現分布式客戶端之間的協作模型訓練，從而保護了數據的局部性。這種范式特別適用于基于狀態的監測，因為來自地理分布機器的傳感器數據可能包含專有操作信息或受到帶寬限制，禁止集中式聚合[32]。核心原則是，機械故障建模和數據生成
套筒軸承在工業設備中廣泛使用，但它們對軸不對準非常敏感，這是常見的故障原因。我們模擬了由于平行不對準導致的退化，其中橫向軸位移（）在五個嚴重程度級別上破壞了電機-鼓風機的對準：12.7毫米、6.25毫米、3毫米、1毫米和基線（無偏移）。如圖1所示，不對準會導致不對稱的軸承負載，加速磨損。我們在EPRI Tennessee進行了23天的運行至故障實驗，期間間歇性地
方法論
為了解決第2節和表1中確定的評估空白，我們的基準測試框架實現了三個核心組件：基于Dirichlet的數據分區用于參數化異質性控制、雙任務評估協議和優化器感知的穩定性分析。我們使用來自受控實驗測試平臺的真實多模態傳感器數據和公開可用的NASA CMAPs基準[61]來評估不同操作條件下的可擴展性。
實驗
我們評估了所提出的FL框架在CBM中的應用，重點關注集中式和分散式部署中的模型性能，用于故障分類和RUL預測。我們使用了gRPC，這是一種高性能的雙向遠程過程調用框架[66]，以及Flower框架，用于在邊緣設備上進行可擴展的聯邦學習，實現了靈活的聚合方法和真實的部署測試。
我們的框架針對工業CBM應用，其中邊緣部署的神經網絡進行預測
結論和未來方向
本研究提出了一個利用聯邦學習的去中心化CBM框架，適用于故障數據有限、私密且分布不均的工業環境。我們系統地評估了非IID數據水平（）、客戶端學習率和FL優化器參數對模型性能的影響。首先在小規模實驗上進行了全面的超參數調整，然后擴展到25個和100個客戶端，確保了收斂穩定性、公平性和客戶端性能的平衡。
利益沖突聲明
作者聲明他們沒有已知的競爭財務利益或個人關系可能影響本文報告的工作。
