在数据异构性环境下，适用于工业系统的可扩展去中心化预测技术

《Computers and Electrical Engineering》：Scalable decentralized prognostics for industrial systems under data heterogeneity

针对工业轴承监测中数据稀缺、隐私敏感和非独立同分布（non-IID）问题，本研究构建联邦学习（FL）基准框架，通过Dirichlet采样控制异质性水平，评估不同聚合策略与优化器在分类（故障检测）和回归（剩余寿命预测）任务中的表现，揭示FL稳定性阈值及优化器适配规则，为工业物联网部署提供可操作的指导。

　　

Jose Tupayachi|Anam Nawaz Khan|Xueping Li

田纳西大学工业与系统工程系，525 John D. Tickle大楼，诺克斯维尔，37996，TN，美国

摘要

基于状态的监测（CBM）通过实时传感器数据分析实现早期故障检测，在预测性维护中发挥着重要作用。然而，工业系统中故障事件的稀少性限制了集中式学习方法的性能，这些方法往往会对正常条件过度拟合，从而错过罕见故障。集中式方法还引发了隐私、通信和可扩展性的问题。在联邦环境中全局模型的收敛受到本地设备上故障数据分布的影响。在实际部署中，这种分布通常是不均匀的，这可能会阻碍收敛。为了解决这些挑战，本研究针对数据稀缺的故障场景，引入了一个针对套筒轴承基于状态监测的联邦学习（FL）基准测试。我们没有依赖传统的独立同分布（IID）假设，而是使用Dirichlet采样对真实的传感器数据集设计了可控的非IID数据分布。这使得我们能够系统地探索不同程度的异质性如何影响FL性能。我们在深度网络架构上对多种基础、扩展和新颖的聚合策略进行了基准测试，涵盖了分类和剩余使用寿命预测任务。关键的是，我们揭示了Dirichlet参数如何与优化器特定的动态相互作用，揭示了在中等非IID条件下的故障模式，并识别出FL保持稳定或崩溃的区间。通过将实证评估与实际部署场景相结合，我们的研究为资源受限、隐私敏感的工业环境中的基于FL的CBM提供了可操作的启发式方法。

引言

基于状态的监测（CBM）通过实时分析传感器数据（如振动、温度和声学信号）[1]、[2]、[3]、[4]、[5]、[6]、[7]，实现工业系统中的早期故障检测。最近，深度学习模型在通过学习传感器数据的时间相关性方面发挥了关键作用，从而实现了更准确和可靠的剩余使用寿命（RUL）预测[8]、[9]、[10]、[11]、[12]、[13]。然而，集中式方法面临三个关键限制：（1）原始数据聚合带来的隐私问题，（2）由于故障事件稀少导致的数据稀缺，以及（3）在异构部署环境中的泛化能力差[14]、[15]、[16]、[17]、[18]。

为了克服这些挑战，联邦学习（FL）允许在不需要共享原始数据的情况下，在地理上相距较远的传感器节点之间进行协作模型训练和分散式处理[19]、[20]、[21]。通过仅交换模型更新，FL保护了隐私，降低了通信成本，并能够从地理分布广泛的工业资产中学习。然而，由于非IID数据分布[22]、客户端异质性以及在故障稀缺条件下的优化器不稳定性，将FL部署到实际CBM中仍然具有挑战性。最近的FL-CBM研究在电池健康评估[23]、[24]、涡轮风扇预测[25]和旋转机械故障诊断[27]、[28]方面取得了进展，但关键的方法论差距限制了它们的部署准备情况（详见第2节）。

研究问题。 为了支持可部署的FL-CBM系统，本研究引入了一个全面的基准测试，系统地评估了在实际工业约束下的现有FL聚合策略。我们没有提出新的FL算法，而是提供了一个严格的评估框架，解决了三个关键的部署问题：

• RQ1：
  数据异质性的程度如何影响故障稀缺CBM场景中FL的收敛性和稳定性？
• RQ2：
  哪些聚合策略在不同非IID条件下能够在分类（偏移故障检测）和回归（RUL预测）任务中保持鲁棒性？
• RQ3：
  异质性、客户端参与度和优化器超参数的实证阈值是多少，超过这些阈值后基于FL的CBM会变得不可靠或不稳定？

我们的目标是为在隐私敏感、资源受限的工业环境中配置FL系统的实践者提供部署指南和设计启发式方法。这些研究问题直接解决了表1中确定的差距：RQ1建立了先前工作中缺失的参数化异质性控制[16]、[27]、[29]，RQ2实现了单任务研究中不可用的跨任务比较[25]、[30]，RQ3提供了现有FL-CBM基准测试中缺失的优化器感知稳定性分析。

主要贡献。 本研究为CBM中的FL引入了一个结构化且以部署为导向的基准测试框架，针对数据稀缺、不平衡和非IID故障数据的实际工业场景。与关注理想化条件下最终准确性的传统基准测试不同，我们的框架旨在揭示现有FL算法的局限性，并指导开发适用于实际边缘部署的强大、可扩展的解决方案。主要贡献包括：

• •
  我们实现了基于Dirichlet的数据分区，系统地改变了浓度参数（
  ），使得能够在从极端非IID到接近IID条件的连续异质性水平上控制FL聚合策略的测试。这种参数控制揭示了在临时分区或自然域划分下隐藏的关键稳定性阈值和故障模式。

•

我们进行了双任务评估，在相同的异质性条件下评估了偏移故障分类（MLP）和基于序列的RUL预测（LSTM）。这种跨任务分析表明，聚合策略表现出特定的任务性能特征，某些方法在分类方面表现优异，但在回归方面可能失败，反之亦然——这对于多目标CBM部署至关重要。

•

我们结合了轮次级别的收敛诊断、超参数敏感性分析和优化器感知的稳定性跟踪，涵盖了基础、扩展和新颖的方法，并与SGD、Adam和非凸优化器进行了配对。这种方法揭示了在非IID条件下决定收敛行为的优化器-聚合器交互效应。

•

我们提供了实证部署启发式方法，包括Dirichlet参数的定量阈值（$\alpha$

（$\alpha \ge 0.10$），以确保在隐私敏感、故障稀缺的工业环境中学习的稳定性，包括客户端参与率（收敛所需的最低20%）和优化器超参数（服务器学习率、动量和适应性）。

•

我们提供了一个公开可用的基准测试协议，其中包含了文档化的实验配置，使得未来的FL算法可以在受控的异质性条件下与标准化基线进行可复制的比较。这促进了透明的算法开发和部署准备评估。

论文结构。 第2节回顾了FL-CBM的相关工作并确定了研究空白。第3节分析了问题表述和物理系统。第4节详细介绍了基准测试方法和实验设计。第5节展示了偏移检测和RUL预测的评估结果。第6节讨论了意义、部署建议和未来方向。

部分摘录

联邦学习：基础和隐私保护的工业物联网

联邦学习（FL）由McMahan等人[31]提出，通过交换模型参数而不是原始数据来实现分布式客户端之间的协作模型训练，从而保护了数据的局部性。这种范式特别适用于基于状态的监测，因为来自地理分布机器的传感器数据可能包含专有操作信息或受到带宽限制，禁止集中式聚合[32]。核心原则是，

机械故障建模和数据生成

套筒轴承在工业设备中广泛使用，但它们对轴不对准非常敏感，这是常见的故障原因。我们模拟了由于平行不对准导致的退化，其中横向轴位移（$\Delta X$）在五个严重程度级别上破坏了电机-鼓风机的对准：12.7毫米、6.25毫米、3毫米、1毫米和基线（无偏移）。如图1所示，不对准会导致不对称的轴承负载，加速磨损。

我们在EPRI Tennessee进行了23天的运行至故障实验，期间间歇性地

方法论

为了解决第2节和表1中确定的评估空白，我们的基准测试框架实现了三个核心组件：基于Dirichlet的数据分区用于参数化异质性控制、双任务评估协议和优化器感知的稳定性分析。我们使用来自受控实验测试平台的真实多模态传感器数据和公开可用的NASA CMAPs基准[61]来评估不同操作条件下的可扩展性。

实验

我们评估了所提出的FL框架在CBM中的应用，重点关注集中式和分散式部署中的模型性能，用于故障分类和RUL预测。我们使用了gRPC，这是一种高性能的双向远程过程调用框架[66]，以及Flower框架，用于在边缘设备上进行可扩展的联邦学习，实现了灵活的聚合方法和真实的部署测试。

我们的框架针对工业CBM应用，其中边缘部署的神经网络进行预测

结论和未来方向

本研究提出了一个利用联邦学习的去中心化CBM框架，适用于故障数据有限、私密且分布不均的工业环境。我们系统地评估了非IID数据水平（）、客户端学习率和FL优化器参数对模型性能的影响。首先在小规模实验上进行了全面的超参数调整，然后扩展到25个和100个客户端，确保了收敛稳定性、公平性和客户端性能的平衡。

数据和代码可用性

本研究使用的数据和代码可在以下地址获取：https://github.com/jtupayachi/FL_Detection_PublicStaging

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。