清华大学学报(自然科学版)

作者：于振军, 雷宁博, 莫语, 李秀, 黄必清

单位：1. 清华大学 自动化系, 北京 100084,2. 清华大学 深圳国际研究生院, 数据与信息研究院, 深圳 518055,3. 中国核电工程有限公司, 北京 100840

关键词：剩余寿命预测,联邦学习,云边协同,预测性健康管理(PHM)

基金：国家重点研发计划(2021YFF0901304)

剩余使用寿命(RUL)预测对于确保工业设备的安全运行和减少定期预防性维护的成本具有重大意义。然而, 对于典型的边缘设备, 其计算能力和数据存储能力有限, 较难实现设备的RUL预测, 且云和边缘之间的数据传输速率有限, 传输所有训练数据会带来较高的延迟。此外, 由于可能的利益冲突, 通常情况下很难实现所有边缘设备之间的数据共享。为此, 该文提出了一种基于联邦学习的云边协同框架。多个边缘设备和云服务器被用来训练一个基于变分自编码器(VAE)的特征提取模块和一个RUL预测模块, 无需数据共享。在每个训练周期中, 首先在所有边缘设备上使用各自的本地训练数据集训练VAE, 再将所有本地VAE上传到云端, 并根据本地训练数据的规模为所有边缘分配权重, 聚合成一个全局特征提取模块, 再发送回所有边缘设备, 以从它们的数据集中提取隐藏特征, 并将这些特征上传到云端以训练全局RUL预测器。实验结果表明：该方法可以在资源受限的条件下执行边缘设备RUL预测, 减少了数据传输延迟并能够保护数据隐私。

来源：2025年第5期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2025年第5期