Prédiction de la durée de vie utile restante des roulements utilisant une agrégation douce personnalisée dans l'apprentissage fédéré

Résumé Les méthodes de diagnostic basées sur les données ont connu un succès significatif dans la prévision des roulements, mais les méthodes existantes reposent souvent sur une seule source de données, négligeant le scénario pratique dans les environnements industriels où les données de surveillance des conditions sont généralement réparties sur plusieurs sites et générées dans diverses conditions d'exploitation. Pour remédier à ce problème, cet article propose une méthode de prédiction de la durée de vie utile restante (RUL) des roulements utilisant une agrégation douce personnalisée dans l'apprentissage fédéré, appelée PSA-FL. La méthode proposée implique un serveur central et plusieurs clients, où chaque client possède des données de surveillance collectées sous une condition de travail spécifique. Plus précisément, les clients effectuent une formation locale de leurs modèles et les téléchargent vers le serveur central. Le serveur utilise ensuite l'algorithme d'agrégation douce personnalisée pour créer un modèle d'ensemble pour chaque client, tirant parti des caractéristiques de dégradation agrégées contenues dans des scénarios de données hétérogènes. Par la suite, le modèle d'ensemble est renvoyé à chaque client pour d'autres itérations de formation locale. En répétant de manière itérative le processus de formation locale et d'agrégation douce personnalisée, chaque client obtient son modèle de diagnostic personnalisé. Des expériences avec des données de roulements montrent que la méthode PSA-FL est efficace dans les tâches de prédiction de RUL. De plus, la méthode PSA-FL démontre une robustesse inhérente en limitant avec succès le dérive des clients dans des environnements réels.