联邦学习框架下航空发动机剩余使用寿命协同预测方法研究

为解决航空公司在预测飞机发动机剩余使用寿命(RUL)时面临的数据隐私保护和数据样本不足的双重挑战，研究人员开发了一种基于联邦学习(FL)的协作式RUL预测框架。该研究提出去中心化验证程序和四种鲁棒聚合方法，在N-CMAPSS数据集上验证表明，FL模型相比独立训练模型将RMSE从15.8降至9.9个飞行周期，显著提升了预测精度，为航空安全维护提供了隐私保护的解决方案。

　　

航空发动机的健康状态监测对飞行安全至关重要，而准确预测剩余使用寿命(RUL)能显著降低维护成本。然而，航空公司面临两大困境：一方面，单个航空公司的故障数据样本稀少，导致模型训练不足；另一方面，数据隐私法规限制航空公司共享核心运营数据。传统集中式机器学习需要数据共享，而独立训练又难以获得理想效果。这种矛盾催生了对隐私保护协作学习方案的迫切需求。

为解决这一难题，研究人员开发了基于联邦学习(FL)的协作式RUL预测框架。该框架允许多个航空公司在不共享原始数据的情况下，共同训练一个全局预测模型。研究采用N-CMAPSS数据集模拟六家航空公司协作场景，每家公司提供一台发动机的运行数据。通过创新的去中心化验证机制和四种鲁棒聚合方法（包括Full-Softmax和Random-Best等），在保护数据隐私的同时有效处理了噪声数据干扰。

关键技术包括：1) 一维卷积神经网络(1D-CNN)架构，包含3个卷积层和2个全连接层；2) 基于滑动窗口的数据预处理方法，提取50个时间步长的传感器特征；3) 两种验证策略（全验证和随机验证）评估本地模型性能；4) 四种参数聚合算法，通过加权平均或最佳模型选择生成全局参数；5) 添加高斯噪声模拟数据污染场景，测试模型鲁棒性。

研究结果显示：

1. FL框架性能验证：在无噪声条件下，FL模型的整体RMSE为9.9个飞行周期，优于独立训练模型的平均RMSE(15.8)。特别是对测试发动机11、14、15的预测，FL模型在多数情况下表现更优。

2. 噪声鲁棒性测试：当对部分发动机数据添加噪声(α=1.0)时，Full-Softmax聚合方法保持稳定性能(RMSE=10.1)，显著优于传统FedAvg方法(RMSE=12.3)。这表明提出的聚合策略能有效降低噪声数据影响。

3. 协作效益分析：五家航空公司的预测精度通过FL得到提升，仅一家因自身数据质量优异而表现相当。这证实了跨航空公司协作的普遍价值，特别是对数据有限的公司。

4. 模型选择动态：Random-Best方法在噪声场景下显示出智能选择能力，当α=0.1时，数据质量较好的发动机16被频繁选中(12次/50轮)，而噪声较大的发动机5仅被选中3次。

这项研究的创新价值体现在三个方面：首先，提出的去中心化验证机制满足了航空业严格的数据隐私要求；其次，四种聚合算法为处理实际工程中的噪声数据提供了系统解决方案；最后，整个框架的设计符合欧洲航空安全局(EASA)的认证要求，具有直接应用潜力。

研究也存在若干局限：当超过半数客户端数据存在噪声时，基于中位数的鲁棒性策略可能失效；模型权重共享可能带来潜在隐私风险；不同航空公司的硬件差异可能导致"拖尾效应"。未来工作将探索差分隐私等增强技术，在保持精度的同时进一步提升安全性。

该成果发表在《Future Generation Computer Systems》，为航空 prognostics领域提供了首个兼顾隐私保护与协作效益的FL解决方案，其方法论也可推广至医疗、能源等其他需要数据隐私的预测性维护场景。通过理论创新与工程实践的结合，这项研究为工业物联网中的分布式机器学习应用树立了新标杆。