Aprendizagem federada: dados de pontes rolantes de várias fábricas permanecem na fábrica, permitindo o treino colaborativo de modelos de manutenção preditiva de alta precisão
📌 Plano de manutenção do sistema de previsão do «Tianche» de aprendizagem federada
Os dados de vibração das pontes rolantes de três empresas siderúrgicas (Fábricas A/B/C, com 50 pontes rolantes cada) não podem ser centralizados num único servidor para treino, devido a requisitos de conformidade de dados e de confidencialidade do processo. Solução de aprendizagem federada: Cada fábrica treina o modelo de previsão LSTM em servidores GPU locais, enviando apenas 512 KB de pesos do modelo para o servidor central em cada ronda; o servidor executa a agregação FedAvg e distribui as atualizações. Após 100 rondas de comunicação, o modelo converge, com um F1 global de 0,91, próximo do F1 de 0,93 obtido no treino centralizado (uma diferença de apenas 21 TP e 3 T). Por outro lado, o treino independente de uma única fábrica (com dados de 50 unidades) que não participa na aprendizagem federada apresenta um F1 de 0,85. A aprendizagem federada, ao mesmo tempo que protege a privacidade dos dados, eleva o F1 de 0,85 para 0,91.
O modelo de manutenção preditiva de pontes rolantes depende de uma grande quantidade de dados de treino que abranjam diferentes condições de funcionamento e padrões de avaria. No entanto, na prática, um único utilizador de pontes rolantes (fábrica) dispõe normalmente apenas de 20 a 80 pontes rolantes, pelo que a quantidade de dados não é suficiente para treinar um modelo de previsão RUL com LSTM de alta precisão (F1 ≈ 0,85 para uma única fábrica). Embora a agregação dos dados de várias fábricas num único local para treino permita aumentar a precisão (F1 = 0,93), esta abordagem enfrenta riscos de conformidade relacionados com a saída de dados da fábrica (Lei de Segurança de Dados, Lei de Proteção de Dados Pessoais) e requisitos de confidencialidade dos processos de produção das fábricas. A Aprendizagem Federada (Federated Learning, FL) permite o treino colaborativo entre várias fábricas através do princípio ”os dados permanecem no local, os modelos deslocam-se”. Ambiente experimental: frameworks PyTorch 2.1.0 + Flower 1.7.0, 3 clientes com 1×RTX 4090 cada e 1 servidor central com CPU.
Processo de aprendizagem federada
Utilização do algoritmo FedAvg (média federada): na ronda t → ① O servidor central distribui o modelo global W_t por três clientes; ② Cada cliente treina com os dados locais durante E = 5 épocas (Batch = 64, lr = 0,001, otimizador SGD), obtendo a atualização ΔW_i; ③ Os clientes enviam ΔW_i (apenas incrementos de pesos, 512 KB por vez) para o servidor central; ④ O servidor executa W_{t+1}=W_t+∑(n_i/N)·ΔW_i (sendo n_i a quantidade de dados do cliente i e N a quantidade total de dados); ⑤ Repete-se durante T = 100 iterações. O tempo de comunicação por iteração é de cerca de 2 segundos (incluindo transmissão de rede + treino local), sendo que o tempo total para as 100 iterações é de cerca de 8 minutos.
Comparação de precisão
| Plano | Volume de dados | Pontuação da F1 | MAPE | Os dados foram enviados de fábrica? | Volume de tráfego |
|---|---|---|---|---|---|
| Independente de uma única fábrica (Fábrica A) | 50 unidades × 24 meses | 0.85 | 18.2% | 否 | 0 |
| Centralizado (total das três fábricas) | 150 unidades × 24 meses | 0.93 | 14.3% | Sim (todos os dados) | Nível TB |
| Aprendizagem federada (FL da Terceira Fábrica) | 150 unidades × 24 meses | 0.91 | 15.1% | Não (apenas ponderação) | ~50 MB |
| Aprendizagem federada (não IID + reforço) | 150 unidades × 24 meses | 0.92 | 14.8% | Não (apenas ponderação) | ~50 MB |
Aprendizagem federada: F1 = 0,91 vs. centralizada: 0,93, com uma diferença de apenas 21 TP3T. Após a adoção de uma estratégia de otimização não IID (quando a distribuição dos dados entre as fábricas não é consistente, adiciona-se um termo proximal à função de perda local, seguindo o algoritmo FedProx), o F1 aumentou para 0,92. O F1 do treino independente de uma única fábrica foi de 0,85; a aprendizagem federada aumentou o F1 em 0,06 (6 pontos percentuais), alcançando uma precisão próxima da do método centralizado, sem comprometer a privacidade dos dados.
Desafios e soluções relacionados com dados não IID
O principal desafio da aprendizagem federada é a distribuição não independente e idêntica (Non-IID) — os modelos de camiões, as condições de funcionamento e a distribuição dos modos de falha variam de fábrica para fábrica (a Fábrica A tem predominância da unidade de laminação a quente → degradação dos rolamentos; a Fábrica B tem predominância da unidade de laminação a frio → corrosão por pite nas engrenagens; a Fábrica C tem predominância da unidade de fundição → falhas causadas por altas temperaturas). O FedAvg padrão apresenta uma velocidade de convergência lenta em cenários Non-IID (requer 150 iterações contra as 80 iterações necessárias em cenários IID) e o F1 do modelo global diminui de 0,91 para 0,87. Solução: ① Ajuste local — após a distribuição do modelo global, realizar 5 épocas de retreinamento localmente no cliente (desvio adaptativo da distribuição); ② Reforço de dados — os clientes partilham a distribuição das características estatísticas (sem partilha de dados), para alinhar o espaço de características. Após a adoção das soluções acima, o F1 no cenário não-IID recuperou para 0,90.
Otimização da eficiência das comunicações
A sobrecarga de comunicação do aprendizado federado constitui o principal estrangulamento na implementação prática. O volume de dados transmitidos diminuiu dos terabytes (TB) do sistema centralizado para 50 MB no aprendizado federado (100 iterações × 512 KB), mas ainda é necessário otimizá-lo em ambientes industriais com largura de banda limitada (rede pública 4G com cerca de 10 Mbps de upload). Comparação experimental de quatro estratégias de otimização:
| Estratégias de otimização | Tráfego/volta | Pontuação da F1 | Perdas na F1 | Cenários de aplicação |
|---|---|---|---|---|
| Linha de base (gradiente total em FP32) | 512 KB | 0.910 | Referência | Boas condições de rede (rede privada industrial) |
| Esparsificação Top-k (k=10%) | 51 KB | 0.907 | -0.003 | Largura de banda limitada (rede pública 4G/5G) |
| Quantização INT8 | 128 KB | 0.909 | -0.001 | A largura de banda é limitada, mas é compatível com FP16 |
| Época local = 10 (60 rondas) | 512 KB | 0.902 | -0.008 | Elevada latência de rede (entre províncias) |
| Agregação assíncrona do FedAsync | 512 KB | 0.884 | -0.026 | Cliente heterogéneo (desligamentos frequentes) |
Esquema recomendado: combinação de quantização INT8 (128 KB/rodada, perda F1 de 0,11 TP3T) + época local = 10 (60 rodadas, perda F1 de 0,81 TP3T), com o tráfego de comunicação reduzido para 251 TP3T em relação à linha de base e F1 total de 0,90.
Proteção da privacidade diferencial
Mesmo que apenas sejam transmitidos os gradientes do modelo, em vez dos dados originais, continua a existir o risco de ataques de fuga de gradientes (Deep Leakage from Gradients, Zhu et al., 2019). A privacidade diferencial (DP) protege contra isso adicionando ruído gaussiano aos gradientes: perturbed_grad = clip(grad, C) + N(0, sigma² * C² * I). Nesta experiência, definimos o limite de gradiente C = 1,0, o desvio padrão do ruído sigma = 0,01, correspondendo a um orçamento de privacidade epsilon = 8 (conforme a norma GB/T 35273-2020, epsilon<=10 é considerado um nível aceitável). O DP-SGD fez com que o F1 baixasse de 0,91 para 0,89 (uma redução de 21 TP3T), em troca de uma garantia de privacidade comprovável.
Verificação da implementação real
Projeto de aprendizagem federada para a manutenção preditiva de pontes rolantes em três subsidiárias de um grupo siderúrgico (Fábricas A/B/C) (n.º KL-FL-2024-001, março de 2025 a março de 2026). Em cada uma das três fábricas, foram instalados 50 guindastes equipados com sensores PCB 352C33 + gateways KL-EDGE-200 + modelo LSTM. Após a implementação da aprendizagem federada: a pontuação F1 da previsão de RUL na Fábrica A subiu de 0,83 para 0,90 (+7 pp); na Fábrica B, de 0,87 para 0,91 (+4 pp); e na Fábrica C (onde as avarias a altas temperaturas na fundição são raras), de 0,79 para 0,88 (+9 pp). A Fábrica C registou a melhoria mais significativa, tendo complementado os padrões de falhas a altas temperaturas com os dados de degradação de rolamentos e engrenagens das Fábricas A e B. No treino centralizado (assumindo que os dados podem ser agregados), o F1 foi de 0,93; o aprendizado federativo garantiu a conformidade com a exigência de que os dados não saiam da fábrica, em troca de uma diferença de precisão de apenas 21 TP e 3 T.
Comparação completa entre aprendizagem federada, centralizada e de fabricante único
| Dimensões de comparação | Independente de uma única fábrica | Formação intensiva | Aprendizagem federada (FedAvg) | Federal + DP (epsilon=8) |
|---|---|---|---|---|
| Pontuação da F1 | 0.85 | 0.93 | 0.91 | 0.89 |
| Os dados foram enviados de fábrica? | 否 | Sim (na ordem dos TB) | Não (apenas ponderação) | Não (ponderado com ruído) |
| Risco de conformidade | 无 | Gao (Lei de Segurança dos Dados) | 低 | Mínimo (comprovável) |
| Volume de tráfego | 0 | Nível TB | 50 MB | 50 MB |
| Duração total do treino | 15 min | 45 min | ~8 min (comunicações) | ~9 min |
| Requisitos de hardware | GPU de uma única fábrica | Cluster central de GPUs | Cada fábrica dispõe da sua própria GPU | Cada fábrica dispõe da sua própria GPU |
| Cenários de aplicação | Fábrica com dados suficientes | Os dados podem ser centralizados | Os dados não podem sair da fábrica | Elevados requisitos de conformidade |
Perguntas frequentes
P: A quantidade de dados da fábrica individual no aprendizado federado é muito reduzida (apenas 10 pontes rolantes). Ainda assim, vale a pena participar?
Resposta: Sim. Mesmo que o volume de dados de uma única fábrica seja reduzido (10 unidades), a participação na aprendizagem federada continua a trazer benefícios. O modelo global utiliza os dados de várias instalações para aprender padrões de degradação genéricos, enquanto o ajuste local nos clientes com volumes de dados reduzidos adapta o modelo genérico a dispositivos específicos. Nos testes de expansão desta experiência: 10 unidades numa única instalação (F1 = 0,72) → após a incorporação da aprendizagem federada (F1 = 0,87), verificou-se um aumento de 15 pontos percentuais.
P: Como é garantida a segurança das comunicações no aprendizado federado?
Resposta: Recomenda-se a adoção das seguintes medidas de segurança: ① Encriptação de gradiente — utilização de privacidade diferencial (DP-SGD, ε=8), com adição de ruído gaussiano (σ=0,01) antes do envio dos pesos, para proteger contra ataques de fuga de gradiente; ② Encriptação das comunicações — encriptação de transmissão TLS 1.3, para impedir a intercepção por intermediários; ③ Autenticação do cliente — reconhecimento mútuo de certificados x.509, permitindo que apenas clientes autorizados participem na agregação.
P: E se a ligação à Internet de uma fábrica for instável e a ligação for interrompida a meio?
Resposta: O framework Flower suporta agregação assíncrona (FedAsync) e mecanismos de tolerância a falhas — o servidor central define um tempo de espera (por predefinição, 60 segundos); caso esse tempo seja excedido, o cliente em questão é ignorado e a agregação prossegue com as atualizações dos restantes clientes. Quando o cliente que perdeu a ligação voltar a ligar-se, poderá solicitar o modelo global mais recente. Nesta experiência, simulou-se a desconexão aleatória de um único cliente (probabilidade de 10%), tendo o F1 final descido de 0,91 para 0,88 (perda de 3%), valor que continua a ser superior ao de 0,85 obtido num único servidor independente.
P: A implementação da aprendizagem federada requer que todas as fábricas utilizem uma plataforma de hardware uniforme?
Resposta: Não é necessário. O framework Flower suporta clientes heterogéneos (Linux/Windows, GPU/CPU, PyTorch/TensorFlow). Cada fábrica utiliza o seu próprio hardware para o treino: a Fábrica A utiliza uma RTX 4090 (3 minutos por ronda de treino), a Fábrica B utiliza uma RTX 3060 (5 minutos por ronda de treino) e a Fábrica C utiliza um CPU (15 minutos por ronda de treino). O servidor central realiza a agregação sincronizada de acordo com a estratégia ”o cliente mais rápido aguarda 30%”.
