基于云–雾–边缘计算架构的分层联邦学习分布式智能制造系统方法

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：A hierarchical federated learning approach based on cloud–fog–edge computing architecture for distributed smart manufacturing systems

　　

近年来，以云制造为代表的分布式制造（Distributed Manufacturing, DM）范式逐渐成为智能制造发展的核心方向，其通过虚拟化制造资源并以服务形式部署，支持按需访问与动态配置，显著提升了系统灵活性与资源利用率。然而，现有方法多依赖集中式信息平台进行数据处理与决策，虽提高了管理效率，却存在可扩展性受限、数据隐私泄露风险增加及调度延迟升高等问题，降低了复杂制造环境下的系统稳定性与安全性。为此，研究人员提出了一种基于云–雾–边缘计算架构（Cloud–Fog–Edge Computing Architecture, CFECA）的分层联邦学习（Hierarchical Federated Learning, HFL）算法，通过在本地保留数据隐私，同时有效利用制造网络中的分布式计算资源进行高效协同模型训练，避免了集中式模型训练的隐私风险。为提高算法的可实现性，研究人员推导了云层与雾层的优化问题解析解，并设计了边缘节点的匹配局部优化器，实现了多级协调优化。此外，还引入了加速版本以提升整体计算效率。在实际智能制造场景中验证表明，该方法在准确性与稳定性方面优于现有方法，尤其在设备间统计异质性显著的情况下表现突出，具有较强的实际应用潜力。

研究背景方面，随着人工智能、物联网（Internet of Things, IoT）、数字孪生和区块链等新一代信息技术与制造业深度融合，工业4.0愿景正从概念走向现实，推动制造向智能化与柔性化发展。客户需求的个性化与服务质量提升，生产环境的动态性和不确定性增强，以及制造资源的开放、分布与专业化，促使分布式智能制造系统（Distributed Smart Manufacturing System, DSMS）成为新的研究热点。然而，传统集中式制造管理模式存在决策迟缓、响应滞后、适应性差的问题，尤其是在依赖第三方服务平台进行集中式数据聚合与决策时，面临计算瓶颈、数据隐私与所有权冲突、通信效率低下及实时响应不足等挑战。大型语言模型（Large Language Models, LLMs）在工业智能转型中虽具优势，但在DSMS中因集中式训练模式而加剧了上述问题。

研究人员开展了基于云–雾–边缘计算架构的分层联邦学习算法研究，称为分布式增广拉格朗日分解与层级协调（Distributed Augmented Lagrangian Decomposition with Hierarchical Coordination, DALD-HC），并在真实智能制造数据集上进行了验证。结果表明，该方法不仅向下兼容经典算法如FedAvg与FedProx，还通过解析求解云层和雾层的优化子问题、设计边缘节点局部优化器，以及引入异步执行机制，显著提升了系统的可扩展性与计算效率。实验证明，该方法在统计异质性显著的条件下，仍能保持较高的模型准确性与稳定性。

关键技术方法方面，研究人员采用云–雾–边缘三层架构构建分布式制造系统模型，将制造节点划分为工厂节点和设备节点，并基于增广拉格朗日技术提出分层联邦学习的优化框架。研究中使用了来自工业4.0与6G融合智能制造系统的真实数据集，包含97014个样本、20维特征，涵盖温度、振动、功耗、网络延迟等指标，采用逻辑回归模型进行设备效率状态（“低”或“中”）的二分类预测。

研究结果方面，系统建模部分将DSMS划分为中心云平台、雾层工厂节点和边缘设备节点，并定义了层级共识约束条件，实现跨层参数同步。算法设计部分提出DALD-HC算法，通过分布式增广拉格朗日分解实现各层子问题的并行优化，并给出收敛性证明。实验验证部分在真实工业环境中测试，结果显示该算法在统计异质性显著的设备群体中仍保持较高准确率与稳定性，优于FedAvg与FedProx等传统方法。结论与讨论部分指出，该方法突破了集中式训练的计算瓶颈与隐私风险，适用于动态复杂的工业物联网环境，并为未来在多模态工业数据与跨组织协作中的应用提供了基础。

研究结论翻译为：为应对分布式智能制造系统中服务节点间机器学习模型的协同训练需求，本文提出了一种结合云–雾–边缘计算架构的分层联邦学习算法DALD-HC。该方法旨在克服传统集中式训练在计算瓶颈、隐私泄露及实时响应不足等方面的局限。为提升算法实用性，研究人员推导了云层与雾层的闭式优化解，并设计了边缘节点的局部优化器，同时通过异步执行机制提高计算效率。实验结果表明，该方法在复杂制造环境下具有良好的适应性与鲁棒性，为工业智能协同训练提供了新的可行路径。