Fed-Joint: Joint Modeling of Nonlinear Degradation Signals and Failure Events for Remaining Useful Life Prediction using Federated Learning
Created by
Haebom
Category
Empty
저자
Cheoljoon Jeong, Xubo Yue, Seokhyun Chung
개요
본 논문은 기계 고장 예측을 위한 비용 효과적인 예방 정비 전략 수립을 위해, 제한된 데이터와 데이터 공유의 어려움을 극복하는 새로운 예후 진단 프레임워크를 제안합니다. 이는 연합 학습(Federated Learning) 기반의 비모수적 방법을 사용하여 비선형 열화 신호와 고장 시간 데이터를 공동 모델링합니다. 구체적으로, 연합 다중 출력 가우시안 프로세스를 이용한 비모수적 열화 모델과 연합 생존 모델을 통해 현장 기계의 고장 시간 및 확률을 예측합니다. 터보팬 엔진 열화 신호 데이터를 이용한 시뮬레이션 연구와 사례 연구를 통해 제안된 방법의 우수성을 입증합니다.
시사점, 한계점
•
시사점:
◦
제한된 데이터 환경에서도 정확한 잔여 수명 예측이 가능한 새로운 프레임워크 제시
◦
데이터 기밀성 및 소유권 문제 해결을 위한 연합 학습 기법 활용
◦
비모수적 모델 사용으로 사전에 열화 신호의 형태를 명시할 필요 없음
◦
터보팬 엔진 데이터를 활용한 실제 사례 연구를 통해 방법의 효용성 검증
•
한계점:
◦
연합 학습의 특성상, 각 사이트의 데이터 품질에 따라 예측 성능이 영향을 받을 수 있음.
◦
가우시안 프로세스의 계산 복잡도가 높을 수 있음. 데이터 크기 증가에 따른 계산 비용 증가 가능성 존재.
