Исследователи представили новый подход к прогнозированию остаточного ресурса (RUL) и рисков отказа оборудования с использованием федеративного обучения. Метод позволяет объединять данные о состоянии систем из разных организаций, не нарушая конфиденциальность, и эффективно моделировать временные зависимости в условиях распределенного хранения сенсорных данных и записей об инцидентах.
Традиционные модели прогнозирования отказов требуют централизованного доступа к большим массивам данных, что часто невозможно из-за политики безопасности или конкурентных ограничений между компаниями. Предложенная архитектура объединяет методы анализа выживаемости (survival modeling) с федеративным подходом, позволяя обучать предиктивные модели на локальных узлах без передачи исходных данных на центральный сервер.
Такой подход критически важен для промышленного интернета вещей (IIoT) и сложных производственных систем, где данные распределены по разным географическим точкам или предприятиям. Использование лонгитюдных данных в сочетании с федеративным обучением повышает точность оценки времени до отказа, минимизируя при этом риски утечки чувствительной информации о производственных процессах.
Ключевые факты
- Разработан метод федеративного моделирования для оценки времени до события (time-to-event) в распределенных системах.
- Решена проблема обучения на данных, которые физически невозможно объединить из-за ограничений безопасности и конфиденциальности.
- Модель объединяет анализ выживаемости с лонгитюдным мониторингом для точного определения остаточного срока полезного использования (RUL).
- Подход применим для предиктивного обслуживания в промышленном секторе, где данные хранятся на различных операционных площадках.