論文の概要: Federated learning framework for collaborative remaining useful life prognostics: an aircraft engine case study

• arxiv url: http://arxiv.org/abs/2506.00499v1
• Date: Sat, 31 May 2025 10:32:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.108035
• Title: Federated learning framework for collaborative remaining useful life prognostics: an aircraft engine case study
• Title（参考訳）: 協調型生活診断のためのフェデレートラーニングフレームワーク--航空機エンジンケーススタディ
• Authors: Diogo Landau, Ingeborg de Pater, Mihaela Mitici, Nishant Saurabh,
• Abstract要約: 6つの航空会社がFLフレームワークに協力して、航空機のエンジンの総合的なRUL予測モデルを訓練していると考えられている。 本稿では,グローバルな予測モデルのパラメータを集約する4つの新しい手法を提案する。 その結果、FLは6つの航空会社のうち5社でより正確なRULの診断に繋がることがわかった。
• 参考スコア（独自算出の注目度）: 2.5864824580604515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex systems such as aircraft engines are continuously monitored by sensors. In predictive aircraft maintenance, the collected sensor measurements are used to estimate the health condition and the Remaining Useful Life (RUL) of such systems. However, a major challenge when developing prognostics is the limited number of run-to-failure data samples. This challenge could be overcome if multiple airlines would share their run-to-failure data samples such that sufficient learning can be achieved. Due to privacy concerns, however, airlines are reluctant to share their data in a centralized setting. In this paper, a collaborative federated learning framework is therefore developed instead. Here, several airlines cooperate to train a collective RUL prognostic machine learning model, without the need to centrally share their data. For this, a decentralized validation procedure is proposed to validate the prognostics model without sharing any data. Moreover, sensor data is often noisy and of low quality. This paper therefore proposes four novel methods to aggregate the parameters of the global prognostic model. These methods enhance the robustness of the FL framework against noisy data. The proposed framework is illustrated for training a collaborative RUL prognostic model for aircraft engines, using the N-CMAPSS dataset. Here, six airlines are considered, that collaborate in the FL framework to train a collective RUL prognostic model for their aircraft's engines. When comparing the proposed FL framework with the case where each airline independently develops their own prognostic model, the results show that FL leads to more accurate RUL prognostics for five out of the six airlines. Moreover, the novel robust aggregation methods render the FL framework robust to noisy data samples.
• Abstract（参考訳）: 航空機エンジンのような複雑なシステムは、センサーによって継続的に監視される。 航空機のメンテナンスにおいて、収集されたセンサ測定は、これらのシステムの健康状態と残留実用生命(RUL)を推定するために使用される。 しかし、診断学を開発する際の大きな課題は、実行時から障害時までのデータサンプルの数が限られていることである。 この課題は、複数の航空会社が、十分な学習を達成できるように、彼らのラン・トゥ・フェイルなデータサンプルを共有する場合、克服される可能性がある。 しかし、プライバシー上の懸念から、航空会社はデータを集中的に共有することに消極的だ。 そこで本研究では,協調学習フレームワークを開発した。 ここでは、複数の航空会社が協力して、データを集中的に共有することなく、総合的なRUL予測機械学習モデルをトレーニングする。 そのため,データを共有せずに予後モデルを検証するために,分散検証手法を提案する。 さらに、センサデータはノイズが多く、低品質であることが多い。 そこで本研究では,グローバル予測モデルのパラメータを集約する4つの新しい手法を提案する。 これらの手法は、FLフレームワークのノイズデータに対する堅牢性を高める。 提案手法は,N-CMAPSSデータセットを用いて,航空機エンジンの協調RUL予測モデルを訓練するためのものである。 ここでは、6つの航空会社がFLフレームワークに協力して、航空機のエンジンの総合的なRUL予測モデルを訓練していると考えられている。 提案したFLフレームワークを、各航空会社が独自に独自の予後モデルを開発する場合と比較すると、FLは6つの航空会社のうち5つにおいてより正確なRUL予後をもたらすことが示されている。 さらに、新しいロバストアグリゲーション手法は、FLフレームワークをノイズの多いデータサンプルに対して堅牢にする。

関連論文リスト

• A Framework for testing Federated Learning algorithms using an edge-like environment [0.0]
  フェデレーテッド・ラーニング(FL)は、多くのクライアントが、データをプライベートかつ分散化しながら、単一の集中型モデルを協調的にトレーニングする機械学習パラダイムである。 グローバル集中型モデルアグリゲーションにおける局所モデルの貢献を正確に評価するのは簡単ではない。 これはFLにおける大きな挑戦の例であり、一般にデータ不均衡またはクラス不均衡として知られている。 本研究では,FLアルゴリズムをより容易かつスケーラブルに評価するためのフレームワークを提案し,実装した。
  論文  参考訳（メタデータ） (2024-07-17T19:52:53Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• An Integrated Imitation and Reinforcement Learning Methodology for Robust Agile Aircraft Control with Limited Pilot Demonstration Data [3.3748750222488657]
  本稿では,アジャイル航空機のデータ駆動操作生成モデルの構築手法を提案する。 提案手法は, 模倣学習, 伝達学習, 強化学習の技法を組み合わせて, この目的を達成する。
  論文  参考訳（メタデータ） (2023-12-27T14:26:34Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• ConDistFL: Conditional Distillation for Federated Learning from Partially Annotated Data [5.210280120905009]
  コンディストFL(ConDistFL)は、フェデレートラーニング(FL)と知識蒸留を組み合わせた枠組みである。 我々は,MSDとKITS19の課題から4つの異なる部分的腹部CTデータセットの枠組みを検証した。 本研究は,コンディストFLが頻繁なアグリゲーションを伴わずに良好に機能し,FLの通信コストを低減できることを示唆する。
  論文  参考訳（メタデータ） (2023-08-08T06:07:49Z)
• A Federated Channel Modeling System using Generative Neural Networks [8.424767096311928]
  本研究では,無人航空機におけるミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動方式を提案する。 我々は、チャネル推定にフェデレートラーニング(FL)を用い、低高度プラットフォームと地上端末との間の空対地経路損失を予測する。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。
  論文  参考訳（メタデータ） (2023-05-30T08:50:22Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。