一种用于纺织制造业故障检测的联邦式演化计算架构

《Knowledge-Based Systems》：A federated evolving computing architecture for fault inspection in textile manufacturing

纺织制造分布式故障检测中，FECA架构通过AFEL保持节点专用知识共享集体知识，PIC校准原型缓解类别不平衡，VCAR变分巩固防止灾难性遗忘。实验表明FECA在节点扩展和随机/定向节点失效时保持稳定，整体准确率达91.73%，优于FedAvg等基准方法，尤其在处理稀有故障（如破丝、污染）和动态生产环境时表现突出。

　　在现代工业生产中，特别是纺织制造领域，确保产品质量是核心目标之一。然而，由于生产环境的复杂性和多样性，传统的质量控制方法在面对分布式数据和动态变化的故障类型时往往显得力不从心。为了解决这一问题，本文提出了一种名为Federated Evolving Computing Architecture（FECA）的新型联邦学习架构。该架构旨在解决纺织制造中分布式环境下的三个关键挑战：统计异质性、类别不平衡和灾难性遗忘。通过引入三个创新性组件——交替联邦演化学习（AFEL）、原型不平衡校准（PIC）和变分巩固以实现自适应保留（VCAR），FECA为工业检测系统提供了持续改进的可能性，同时避免了对生产连续性的干扰，为现代纺织制造业的质量控制提供了一种有前景的解决方案。

统计异质性指的是不同生产线上的故障分布存在显著差异。这种差异可能源于不同的绕线机、材料成分或操作参数。传统联邦学习方法在面对这种异质性时，往往无法在本地任务中发挥最佳性能，因为其全局模型未能准确捕捉到各节点的独特故障特征。因此，我们需要一种方法，使每个节点能够在保持其独特性的同时，有效地利用来自其他节点的集体知识。AFEL正是为此设计的，它允许节点在本地数据基础上进行个性化优化，同时维持全局模型的稳定性，从而实现对本地化故障的高效识别和学习。

类别不平衡是分布式检测系统中另一个重要问题。正常样本的数量远超故障样本，而某些故障类别（如断丝或污染）在不同生产线上出现的频率存在显著差异。传统方法如数据重平衡或损失加权通常会导致模型过拟合或信息丢失，尤其在大规模数据处理中效果有限。因此，PIC被引入以解决这一问题。通过校准少数类别的原型表示，PIC在不牺牲其独特特征的前提下，增强了对这些罕见但关键故障的检测能力。这一过程不仅提升了模型在这些类别的表现，还有效缓解了类别不平衡对整体性能的影响。

灾难性遗忘是持续学习过程中一个普遍存在的问题，尤其是在动态制造环境中，新的故障类型不断出现。为了防止模型在学习新任务时丢失已有的知识，VCAR被提出。VCAR结合了变分持续学习和弹性权重巩固的方法，通过维护原型分布的概率表示并选择性地保留关键参数，有效缓解了灾难性遗忘。这种方法不仅保留了之前学习的知识，还使得模型能够灵活适应新的故障类型，从而在不牺牲原有能力的前提下实现持续优化。

在实验部分，我们对FECA及其各个组件进行了系统性的评估。通过与多种基线方法进行比较，FECA在多个评估指标上均表现出色。特别是在整体准确率、F1分数和平均精度方面，FECA显著优于现有的联邦学习方法。例如，在整体准确率方面，FECA达到了91.73%±0.38%，这一表现远远超过了其他方法。此外，通过分析不同节点配置下的性能，我们发现随着参与节点数量的增加，模型的准确性也随之提升，这表明FECA在数据多样性方面具有显著优势。

针对节点失联和数据缺失的情况，我们进行了滴落测试（dropout test），以评估模型在不同情况下的鲁棒性。实验结果表明，FECA在面对随机失联和定向失联时均表现出良好的恢复能力。这不仅展示了其在动态环境中的适应性，也突显了其在实际工业部署中的可行性。通过分析不同失联比例下的性能变化，我们发现即使在极端失联情况下，FECA仍能保持较高的检测准确率，这得益于其内部机制对知识的保留和模型的快速适应能力。

此外，我们还对PIC和VCAR的性能进行了消融研究。结果表明，PIC在处理类别不平衡问题时具有显著优势，特别是在极端不平衡的情况下，其性能提升更为明显。通过调整校准强度参数η，我们发现适当的η值能够有效平衡少数类和多数类的表示能力。同样，VCAR在防止灾难性遗忘方面也表现出色，其在不同λ值下的性能曲线呈现倒U型，表明在适当的正则化强度下，模型能够在保持稳定性的同时实现良好的学习能力。

总的来说，FECA通过其独特的架构设计和组件协同作用，为纺织制造业中的分布式故障检测提供了一个全面而有效的解决方案。该架构不仅解决了传统联邦学习方法在面对统计异质性、类别不平衡和灾难性遗忘时的不足，还展示了在大规模数据和复杂环境下的适应性和鲁棒性。未来的工作将进一步验证FECA在更大规模工业数据集上的性能，并探索其在多模态数据源、无监督异常检测和自适应正则化机制等方面的扩展应用。这些努力将有助于推动FECA在更广泛的工业领域中实现更高效和可靠的质量控制。