Федеративное обучение для обнаружения аномалий в распределённых холодильных системах

Холодильные и климатические системы часто распределены по множеству объектов — магазинам, складам, производственным площадкам. Сбор данных в единый центр затруднён из-за конфиденциальности и объёмов. Федеративное обучение (Federated Learning) предлагает решение этой проблемы.

Применение федеративного обучения

Исследование, представленное на IEEE, применяет федеративное обучение для обнаружения аномалий в распределённых системах кондиционирования и охлаждения. Исследование оценивает точность обнаружения аномалий по сравнению с локальным обучением на каждом объекте для получения руководящих принципов по созданию подходящих моделей с точки зрения сетевых конфигураций и гиперпараметров в FL.

Эффективность для свёрточного автоэнкодера

Исследование подтверждает эффективность FL для свёрточного автоэнкодера (CAE), который является типом обучения без учителя в распределённых системах охлаждения и кондиционирования. Было выяснено, что для надёжного обнаружения аномалий необходимо корректировать метод разделения сетевой конфигурации федеративного обучения представлений (FedRep) на секцию агрегации и секцию только локального обучения, а также определять, в какой слой вставлять padding.

Предыдущие исследования

В предыдущих исследованиях авторы изучали стратегии развёртывания вибрационных датчиков для оптимизации диагностических моделей для конкретного объекта. Федеративное обучение позволяет достичь крупномасштабного обучения путём индивидуального использования данных, локально хранящихся на многочисленных клиентских компьютерах, распределённых по сети. Поскольку данные датчиков требуют конфиденциальности, это также решает проблемы безопасности.

Федеративное обучение для HVAC FDD

Wang et al. (2022) разработали модель Federated CNN (Fed CNN) для FDD HVAC-систем, обеспечивающую многоуровневое обнаружение неисправностей в чиллерах и воздухообрабатывающих установках при сохранении конфиденциальности данных. Их подход продемонстрировал сильную обобщающую способность для кросс-доменного обнаружения неисправностей. Sater и Hamza (2021) применили федеративную модель stacked LSTM для обнаружения аномалий.

Перспективы

Федеративное обучение открывает возможность создания отраслевых ИИ-моделей, обученных на данных сотен предприятий, без нарушения коммерческой тайны и требований к защите данных.

По всем вопросам звоните нам по номеру +7 (383) 305-43-15