面向工业物联网中基于自编码器的状态监测的联邦学习
机器学习
2022-11-15 v1
摘要
受来自生产机械的监测传感器数据日益可用性的推动，状态监测与预测性维护方法是工业物联网中高效且稳健制造生产周期的关键支柱。近期工作表明，利用机器学习模型通过分析跨多个工业环境收集的各种数据来检测和预测退化行为展现出有前景的结果，但也常需要将传感器数据传输至位于云端的中心化服务器。此外，尽管工业站点间协作与知识共享带来巨大收益，尤其在状态监测领域，却常因数据隐私问题而被禁止。为应对此状况，我们提出一种基于自编码器的联邦学习方法，利用旋转机械的振动传感器数据，允许在位于现场且靠近被监测机器的边缘设备上进行分布式训练。我们的方法在保护数据隐私的同时免除了远程站点可能不可靠的网络连接，实现了跨组织边界的知识迁移而无需共享监测数据。我们利用两个真实世界数据集及多个测试床进行了评估，结果表明相较先前结果我们的方法具备有竞争力的性能，同时显著降低了资源与网络使用。
引用
@article{arxiv.2211.07619,
title = {Federated Learning for Autoencoder-based Condition Monitoring in the Industrial Internet of Things},
author = {Soeren Becker and Kevin Styp-Rekowski and Oliver Vincent Leon Stoll and Odej Kao},
journal= {arXiv preprint arXiv:2211.07619},
year = {2022}
}
备注
Accepted for 2022 IEEE International Conference on Big Data (IEEE BigData 2022)