基于联邦机器学习的喷气发动机预测性维护
机器学习
2025-02-11 v1
摘要
本文旨在使用联邦机器学习框架预测涡轮喷气发动机的剩余有用寿命（RUL）。联邦学习使多个边缘设备/节点或服务器能够在不共享敏感数据的情况下协同训练共享模型，从而保留数据隐私和安全性。通过实现非线性模型，系统旨在捕捉发动机数据中复杂的关系和模式，以增强RUL预测的准确性。该方法利用去中心化计算，允许模型在每个设备上本地训练后再在中心服务器上聚合所学权重。通过准确预测喷气发动机的RUL，可以优化维护计划，减少停机时间，提高运营效率，从而实现成本节约并提升航空行业的性能。本文提供了使用NASA网站上公开可用的数据集（C-MAPSS）进行的计算结果，该数据集是研究和分析发动机退化行为在各种运行情景中具有重要价值。
引用
@article{arxiv.2502.05321,
title = {Using Federated Machine Learning in Predictive Maintenance of Jet Engines},
author = {Asaph Matheus Barbosa and Thao Vy Nhat Ngo and Elaheh Jafarigol and Theodore B. Trafalis and Emuobosa P. Ojoboh},
journal= {arXiv preprint arXiv:2502.05321},
year = {2025}
}