Fed-Joint: Joint Modeling of Nonlinear Degradation Signals and Failure Events for Remaining Useful Life Prediction using Federated Learning

要約

機械の多くの故障メカニズムは、条件監視（CM）信号の動作と密接に関連しています。
費用対効果の高い予防保守戦略を達成するために、信号に基づいた正確な残りの耐用年数（RUL）予測が最も重要です。
ただし、CM信号は、多くの場合、さまざまな工場と生産ラインで記録され、データは限られています。
残念ながら、これらのデータセットは、データの機密性と所有権の問題、コンピューティングとストレージ力の欠如、およびサイトとデータセンター間のデータ転送に関連する高い通信コストにより、サイト間で共有されることはめったにありません。
実際のアプリケーションのもう1つの課題は、CM信号が明示的に指定されていないことが多いことです。\ textit {a priori}は、通常はパラメトリック形式であることが多い既存の方法が適用できない可能性があることを意味します。
これらの課題に対処するために、連邦学習スキーム内の非線形分解信号と失敗データの共同モデリングを使用して、RUR予測の新しい予後フレームワークを提案します。
提案された方法は、フェデレートマルチアウトプットガウスプロセスを使用してノンパラメトリック分解モデルを構築し、フェデレーション生存モデルを採用して、職業機械の故障時間と確率を予測します。
他の代替案よりも提案された方法の優位性は、包括的なシミュレーション研究と、ランツーフェイルイベントを含むターボファンエンジン劣化信号データを使用したケーススタディを通じて実証されています。

要約(オリジナル)

Many failure mechanisms of machinery are closely related to the behavior of condition monitoring (CM) signals. To achieve a cost-effective preventive maintenance strategy, accurate remaining useful life (RUL) prediction based on the signals is of paramount importance. However, the CM signals are often recorded at different factories and production lines, with limited amounts of data. Unfortunately, these datasets have rarely been shared between the sites due to data confidentiality and ownership issues, a lack of computing and storage power, and high communication costs associated with data transfer between sites and a data center. Another challenge in real applications is that the CM signals are often not explicitly specified \textit{a priori}, meaning that existing methods, which often usually a parametric form, may not be applicable. To address these challenges, we propose a new prognostic framework for RUL prediction using the joint modeling of nonlinear degradation signals and time-to-failure data within a federated learning scheme. The proposed method constructs a nonparametric degradation model using a federated multi-output Gaussian process and then employs a federated survival model to predict failure times and probabilities for in-service machinery. The superiority of the proposed method over other alternatives is demonstrated through comprehensive simulation studies and a case study using turbofan engine degradation signal data that include run-to-failure events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google