Fed-Joint：基于联邦学习的非线性退化信号与失效事件联合建模在剩余使用寿命预测中的创新应用

本文提出了一种基于联邦学习（FL）的剩余使用寿命（RUL）预测新框架Fed-Joint，通过联合建模非线性退化信号（采用联邦多输出高斯过程MGP）与失效时间数据（采用联邦Cox比例风险CoxPH模型），在保护数据隐私的前提下实现跨站点的协同预测，为分布式工业资产的预测性维护提供了突破性解决方案。

　　

亮点 (Highlights)

• •
  提出Fed-Joint框架，首次将传统集中式、参数化的联合建模扩展至联邦化、非参数化的联合建模框架。
• •
  采用非参数化的多输出高斯过程（MGP）灵活捕捉资产退化信号的复杂非线性行为，无需预设函数形式。
• •
  集成Cox比例风险（CoxPH）模型，稳健分析失效事件与退化模式的关系。
• •
  在联邦学习（FL）设置下实现协同建模，各站点仅交换模型参数，原始数据保留本地，解决数据隐私与所有权问题。
• •
  通过综合仿真和案例研究（涡扇发动机退化信号和锂离子电池容量衰减数据）验证了方法的优越性。

联邦RUL预测 (Federated RUL prediction)

近年来，利用隐私保护联邦学习（FL）技术预测剩余使用寿命（RUL）的研究兴趣日益增长。一些显著的工作包括使用深度学习技术，如前馈网络、卷积网络、基于Transformer的模型、对抗网络、长短期记忆（LSTM）和自编码器等。然而，尽管这些方法取得了成功，但它们通常...

方法论 (Methodology)

假设存在K个站点或数据源（例如公司、工厂、生产线等），每个站点k（k=1,...,K）拥有M_k个单元或资产（例如机器、工具等）。在每个站点k中，单元m收集数据D_k,m = {V_k,m, δ_k,m, t_k,m, y_k,m, w_k,m}，其中m=1,...,M_k。这里，V_k,m = min(T_k,m, C_k,m)是事件时间（即单元在时间T_k,m失效或在时间C_k,m被删失），δ_k,m ∈ {0,1}是事件指示符，1表示单元已失效，0表示被删失。在本研究中，我们...

仿真研究 (Simulation study)

为证明所提出的Fed-Joint模型的有效性，我们使用合成数据集进行了仿真研究。

案例研究：分布式站点工程系统的剩余使用寿命预测 (Case study: Remaining useful life prediction for engineering systems at distributed sites)

在本节中，我们通过案例研究展示Fed-Joint的有效性。在第5.1节中，我们介绍了用于多通道涡扇发动机退化信号和锂离子（Li-ion）电池容量衰减的两个数据集。第5.2节通过比较提出的联邦联合建模框架与其集中式版本讨论了结果。

讨论与结论 (Discussion and conclusion)

我们提出了一种新的预测框架，当数据因保密问题以及缺乏存储和计算能力而无法跨站点（如公司、工厂和生产线）共享时，该框架采用退化信号和失效时间数据的联合建模进行RUL预测。一个重要方面是，信号的形式并非先验已知，并且它们表现出高度非线性的行为。为解决此问题，我们对退化信号和生存分析均采用联邦学习（FL）...