Towards Fleet-wide Sharing of Wind Turbine Condition Information through Privacy-preserving Federated Learning

要約

風力タービン メーカーは、自社のフリートからテラバイト規模のデータを毎日収集しています。
データには、タービンの健全性診断や性能監視、まれな故障や重要部品の残りの耐用年数を予測するための貴重なリアルタイム情報が含まれています。
しかし、製造会社はビジネス戦略上の理由から風力タービンのタービン データのプライバシーを優先しているため、風力タービン フリートからのこの豊富なデータは、事業者、公益企業、研究者にとって依然としてアクセスできないままです。
データにアクセスできないと、データ主導型のタービンの運用および保守戦略の改善やダウンタイムの削減などの機会の活用が妨げられます。
当社は、メーカーの要望に応じてデータを風力タービンに残してデータのプライバシーを保護しながら、ローカル データに対するフリート全体の学習を可能にする、分散型フェデレーション機械学習アプローチを提案します。
私たちは 2 つのケース スタディで、代表的なトレーニング データが不足している風力タービンが、フェデレーテッド ラーニングによるより正確な故障検出モデルから恩恵を受ける一方、フェデレーテッド ラーニング プロセスに参加することでモデルのパフォーマンスが低下するタービンはないことを示しています。
従来のトレーニング プロセスとフェデレーション トレーニング プロセスを比較すると、フェデレーテッド トレーニングでは通信とオーバーヘッド操作が増加するため、平均モデル トレーニング時間が最大 14 倍に大幅に増加します。
したがって、モデルのトレーニング時間は、フェデレーテッド ラーニング アプリケーション、特に大規模な風力タービン フリートの場合、さらに調査して軽減する必要がある障害となる可能性があります。

要約(オリジナル)

Terabytes of data are collected every day by wind turbine manufacturers from their fleets. The data contain valuable real-time information for turbine health diagnostics and performance monitoring, for predicting rare failures and the remaining service life of critical parts. And yet, this wealth of data from wind turbine fleets remains inaccessible to operators, utility companies, and researchers as manufacturing companies prefer the privacy of their fleets’ turbine data for business strategic reasons. The lack of data access impedes the exploitation of opportunities, such as improving data-driven turbine operation and maintenance strategies and reducing downtimes. We present a distributed federated machine learning approach that leaves the data on the wind turbines to preserve the data privacy, as desired by manufacturers, while still enabling fleet-wide learning on those local data. We demonstrate in two case studies that wind turbines which are scarce in representative training data benefit from more accurate fault detection models with federated learning, while no turbine experiences a loss in model performance by participating in the federated learning process. When comparing conventional and federated training processes, the average model training time rises significantly by a factor of up to 14 in the federated training due to increased communication and overhead operations. Thus, model training times might constitute an impediment that needs to be further explored and alleviated in federated learning applications, especially for large wind turbine fleets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google