面向去中心化工业的预测新框架：通过区块链与联邦学习增强公平性、安全性与透明度
计算机与社会
2025-04-09 v2 人工智能
摘要
随着全球工业向工业5.0转型，预测性维护（PM）对于在日益智能的制造环境中实现高性价比的运营韧性以及最小化停机时间仍然至关重要。在本章中，我们探讨了如何通过集成联邦学习（FL）与区块链（BC）技术，在去中心化且以人为本的工业生态系统中增强对机械剩余使用寿命（RUL）的预测。传统的集中式数据方法引发了关于隐私、安全性和可扩展性的担忧，尤其是随着人工智能（AI）驱动的智能制造日益普及。本章利用 FL 实现跨多个站点的本地化模型训练，同时利用 BC 确保网络中的信任、透明度和数据完整性。这一集成 BC 的 FL 框架优化了 RUL 预测，增强了数据隐私与安全，确立了透明度，并促进了去中心化制造中的协作。它解决了关键挑战，如维护隐私与安全、确保透明度与公平性，以及激励去中心化网络中的参与。使用 NASA CMAPSS 数据集进行的实验验证证明了该模型在真实场景中的有效性，我们通过 GitHub 上的开源代码将研究结果扩展至更广泛的研究社区，邀请协作开发以推动工业5.0的创新。
引用
@article{arxiv.2503.05725,
title = {A new framework for prognostics in decentralized industries: Enhancing fairness, security, and transparency through Blockchain and Federated Learning},
author = {T. Q. D. Pham and K. D. Tran and Khanh T. P. Nguyen and X. V. Tran and L. Köehl and K. P. Tran},
journal= {arXiv preprint arXiv:2503.05725},
year = {2025}
}