基于联邦学习与匹配特征提取的异构边缘设备工业健康预测

数据驱动的工业健康预测需要丰富的训练数据以构建准确可靠的预测模型。然而，严格的数据隐私法规与海量的边缘工业数据使得去中心化数据利用成为必要。因此，工业健康预测领域非常适宜从联邦学习（FL）——一种去中心化且保护隐私的学习技术——中显著获益。但由于从异构数据训练出的模型参数难以有意义地聚合以形成高性能联邦模型，基于 FL 的健康预测任务鲜有研究。具体而言，边缘设备间源于退化机制相异与数据集规模不等的数据异构性，对构建准确联邦模型构成了关键的统计挑战。我们提出一种开创性的基于 FL 的健康预测模型，采用特征相似性匹配的参数聚合算法，从异构边缘数据中判别性学习。该算法先在异构本地训练模型中搜索并以概率相似的特征提取功能匹配神经元，再选择性平均以形成联邦模型参数。由于算法仅平均相似神经元，而非传统的按坐标神经元朴素平均，本地模型的独特特征提取器得以较少稀释地保留至所得联邦模型。利用锂离子电池的循环退化数据与涡轮风扇发动机的非循环数据，我们证明所提方法在健康状态估计与剩余使用寿命估计上分别实现高达 44.5% 与 39.3% 的精度提升。