Key points are not available for this paper at this time.
A predição de falhas baseada em algoritmos de aprendizado profundo tem grande potencial na automação industrial: ao se adaptar automaticamente a diferentes contextos de uso, ampliaria significativamente a utilidade das soluções atuais de manutenção preditiva. No entanto, as restrições em relação à acumulação centralizada de dados necessários para essa adaptação automática pedem uma abordagem distribuída para treinar esses algoritmos. Portanto, neste artigo, é apresentado um algoritmo baseado em aprendizado contínuo para predição de falhas, permitindo o aprendizado cooperativo distribuído por meio da consolidação de pesos elásticos. Este algoritmo é então avaliado em um grande conjunto de dados de motores turbofan da NASA e mostra resultados promissores em relação ao treinamento eficiente em sub-conjuntos descentralizados para cenários de automação industrial.
Maschler et al. (Ter,) estudaram essa questão.