基于大规模高维信号的工业预测性维护两阶段联邦学习方法
机器学习
2024-10-16 v1 机器学习
应用统计
摘要
工业预测性维护旨在开发数据驱动的方法，利用资产的高维降解信号来预测其故障时间。这些模型的成功很大程度上取决于获取大量历史数据进行训练。然而，实际情况下，单个组织往往缺乏足够的数据来独立训练可靠的预测性维护模型，隐私 concerns 也防止了组织之间共享数据进行协作模型训练。为克服这些挑战，本文提出了一种基于统计学习的联邦模型，使多个组织能够在保持数据本地和安全的同时联合训练预测性维护模型。该方法包括两个关键阶段：联邦降维和联邦(log)-位置-比例回归。在第一阶段，我们发展了一种用于多变量函数主成分分析的联邦随机奇异值分解算法，有效地减少了降解信号的维度，同时保持数据隐私。在第二阶段，提出了一种用于(log)-位置-比例回归的联邦参数估计算法，允许组织在不共享原始数据的情况下协同估计故障时间分布。该方法通过使用在小数据集上表现良好的统计学习技术，提供完整的故障时间分布，克服了现有联邦预测性维护方法的局限性。通过使用模拟数据和来自NASA数据仓库的数据验证了所提出方法的有效性和实用性。
引用
@article{arxiv.2410.11101,
title = {A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals},
author = {Yuqi Su and Xiaolei Fang},
journal= {arXiv preprint arXiv:2410.11101},
year = {2024}
}