用于协同剩余使用寿命预测的联邦学习框架：航空发动机案例研究
机器学习
2025-06-03 v1 分布式、并行与集群计算
新兴技术
系统与控制
系统与控制
机器学习
摘要
诸如航空发动机之类的复杂系统受到传感器的持续监测。在预测性航空维护中，收集的传感器测量数据用于估计此类系统的健康状况和剩余使用寿命 (RUL)。然而，开发预测技术时的一个主要挑战是运行至失效数据样本数量有限。如果多家航空公司能够共享其运行至失效数据样本，从而实现充分学习，这一挑战便可克服。然而，出于隐私顾虑，航空公司不愿在集中式环境下共享其数据。因此，本文开发了一种协同联邦学习框架。在此框架中，多家航空公司合作训练一个集体 RUL 预测机器学习模型，而无需集中共享数据。为此，提出了一种去中心化验证程序，在不共享任何数据的情况下验证预测模型。此外，传感器数据通常存在噪声且质量低下。因此，本文提出了四种聚合全局预测模型参数的新方法。这些方法增强了联邦学习 (FL) 框架对噪声数据的鲁棒性。使用 N-CMAPSS 数据集，对所提出的框架进行了训练航空发动机协同 RUL 预测模型的演示。其中考虑了六家航空公司在 FL 框架中合作，为其飞机发动机训练集体 RUL 预测模型。将所提出的 FL 框架与每家航空公司独立开发自身预测模型的情况进行比较，结果表明，FL 为六家航空公司中的五家带来了更准确的 RUL 预测。此外，新型鲁棒聚合方法使 FL 框架对噪声数据样本具有鲁棒性。
引用
@article{arxiv.2506.00499,
title = {Federated learning framework for collaborative remaining useful life prognostics: an aircraft engine case study},
author = {Diogo Landau and Ingeborg de Pater and Mihaela Mitici and Nishant Saurabh},
journal= {arXiv preprint arXiv:2506.00499},
year = {2025}
}