Resumen Técnico: MAFL-PdM

Planteamiento del Problema

Los entornos de Internet Industrial de las Cosas (IIoT) dependen cada vez más del Mantenimiento Predictivo (PdM) para optimizar la eficiencia operativa y estimar la Vida Útil Remanente (RUL). Sin embargo, la colaboración entre sitios se ve obstaculizada por la soberanía de los datos, las restricciones de propiedad y los requisitos regulatorios (p. ej., GDPR), lo que impide la centralización de los datos brutos de los sensores. Si bien el Aprendizaje Federado (FL) ofrece una solución al permitir el entrenamiento distribuido sin compartir datos, la aplicación de protocolos de FL estándar a sitios industriales heterogéneos presenta dos desafíos críticos:

1. Heterogeneidad de Datos (Non-IID): Los sitios industriales difieren en tipos de máquinas, configuraciones de sensores y patrones de degradación. Las estrategias de agregación estándar (p. ej., FedAvg) suelen sufrir de una convergencia inestable y una reducción en la calidad del modelo cuando las actualizaciones locales se mueven en direcciones conflictivas.
2. Adaptación de la Privacidad: Los marcos de FL existentes suelen utilizar configuraciones de privacidad estáticas y uniformes. En el PdM, donde las firmas de fallos poco comunes son críticas, la inyección indiscriminada de ruido puede degradar desproporcionadamente los patrones sensibles a fallos. Además, los enfoques actuales suelen tratar a las fábricas como clientes pasivos en lugar de agentes autónomos con distintas restricciones operativas.

Metodología: MAFL-PdM

El artículo propone MAFL-PdM, un marco de Aprendizaje Federado Multi-Agente diseñado para el PdM personalizado en sitios heterogéneos. La arquitectura del sistema consta de cuatro Agentes de Fábrica autónomos y un Agente Orquestador Federado.

Componentes Principales

1. Arquitectura del Modelo Local: Cada Agente de Fábrica entrena un modelo local utilizando una red de Memoria a Largo Corto Plazo (LSTM) de dos capas con atención temporal. El modelo predice la RUL utilizando una pérdida de Huber ponderada combinada con la regularización FedProx para restringir la optimización local.
2. Agregación Impulsada por Clústeres (CMFL-PdM): El Orquestador realiza una agrupación de K-means (K=2) sobre la similitud de coseno de las actualizaciones de gradiente para agrupar fábricas con comportamientos operativos similares. La agregación se realiza con una ponderación de 80/20 entre el clúster primario y el minoritario para evitar la exclusión de los sitios minoritarios.
3. Personalización Post-Federación: Después de 30 rondas federadas, cada Agente de Fábrica realiza un ajuste fino (fine-tuning) del modelo de consenso global con sus propios datos locales durante ocho épocas adicionales. Este paso es crucial, ya que adapta el modelo compartido a las distribuciones de datos locales sin compartir más gradientes.
4. Contabilidad de Privacidad: El marco implementa la contabilidad de privacidad diferencial (DP) por fábrica utilizando un contador de Rényi (Opacus). Sin embargo, en la configuración reportada, la inyección de ruido de gradiente está desactivada. El sistema rastrea los presupuestos de privacidad ($\epsilon = [3.0, 5.0, 8.0, 7.0]$) pero no aplica garantías formales de DP en los experimentos actuales.
5. Selección Consciente de Deriva (Drift-Aware): Las fábricas monitorean la deriva de datos locales mediante pruebas de Kolmogorov–Smirnov, lo que permite al orquestador priorizar a los clientes con cambios significativos en la distribución.

Conjuntos de Datos

El marco se evalúa en dos conjuntos de datos industriales reales heterogéneos:

• Monitoreo de Puertas de Ascensor: Tres fábricas (Fábricas 0–2) utilizando datos de revoluciones de los rodamientos de la puerta, humedad y vibración.
• Monitoreo de Fluidos de Trabajo de Metales: Una fábrica (Fábrica 3) utilizando pH, conductividad, concentración y temperatura.
• Etiquetas de RUL: Señales estocásticas sintéticas generadas mediante una curva de decaimiento exponencial con ruido gaussiano aditivo, normalizadas a [0, 1].

Resultados Clave

Los experimentos se realizaron sobre cinco semillas aleatorias (42–46) comparando MAFL-PdM contra el entrenamiento centralizado, el entrenamiento solo local, FedAvg vainilla, FedProx y líneas base perturbadas por ruido.

• Desempeño: MAFL-PdM logró un RMSE de 0.0498 ± 0.0012 y un F1 score de 0.819 ± 0.016.
  • Obtuvo un RMSE menor que el entrenamiento centralizado en las cinco semillas.
  • Igualó al entrenamiento centralizado en el F1 score mientras preservaba la localidad de los datos.
  • Superó significativamente a todas las líneas base federadas (p. ej., el RMSE de Vanilla FedAvg fue de 0.2444).
• Estudio de Ablación: Un estudio de ablación de componentes reveló que la personalización post-federación es la responsable de casi la totalidad de la ganancia de desempeño.
  • Eliminar la personalización causó que el F1 cayera en 0.457, haciendo que el marco fuera indistinguible de FedAvg vainilla.
  • Eliminar la agregación consciente de clústeres y la ponderación de pérdida sensible a fallos resultó en cambios insignificantes (caídas de F1 de -0.0019 y -0.0096, respectivamente), que entran dentro de la variación semilla a semilla.
• Análisis de Clústeres: El mecanismo de agrupación K-means no logró recuperar consistentemente la partición de datos prevista (Ascensor vs. Metalurgia). En su lugar, agrupó las fábricas según la dificultad de ajustar los datos (p. ej., agrupando a la Fábrica 3, de dominio cruzado, con la Fábrica 2 de ascensores, que era la más difícil de ajustar). En consecuencia, el mecanismo de agrupación no aportó ningún beneficio mensurable en este pequeño tamaño de federación (N=4).

Significancia y Reivindicaciones

El artículo realiza las siguientes afirmaciones específicas respecto a su contribución y limitaciones:

1. Mecanismo Primario: El estudio identifica la personalización post-federación como el mecanismo crítico que permite que el PdM federado funcione a través de sitios heterogéneos, en lugar de la estrategia de agregación o la ponderación de la pérdida. Demuestra que una inicialización compartida seguida de un ajuste fino local puede superar al agrupamiento centralizado en error de regresión (RMSE) mientras iguala su desempeño en clasificación (F1).
2. Resultado Negativo sobre Clústeres: El artículo reporta explícitamente que la agregación consciente de clústeres no proporcionó ninguna ganancia mensurable en este entorno experimental específico (4 clientes, K=2). Atribuye esto al pequeño tamaño de la federación y a la inestabilidad de la partición de clústeres, sugiriendo que el mecanismo requiere una mayor escala para redistribuir significativamente los pesos de agregación.
3. Postura de Privacidad: Los autores son explícitos al afirmar que no se reclama una garantía formal de privacidad diferencial para los resultados reportados. Aunque el marco incluye contabilidad de DP y seguimiento de presupuesto, la inyección de ruido de gradiente fue desactivada. Los resultados representan un sistema que preserva la localidad de los datos, pero que aún no satisface los requisitos matemáticos de DP-SGD (debido a problemas con el recorte por muestra y los supuestos de submuestreo).
4. Reproducibilidad: El artículo proporciona un flujo de trabajo totalmente reproducible, incluyendo código, conjuntos de datos y scripts para regenerar todas las tablas y figuras, destacando las condiciones específicas bajo las cuales se mantienen los resultados.

Limitaciones

Los autores reconocen varias restricciones:

• Etiquetas Sintéticas: Las etiquetas de RUL son sintéticas, lo que limita la aplicabilidad de los resultados al despliegue en el mundo real sin validación en conjuntos de datos de degradación de verdad de campo (ground-truth).
• Brecha de Privacidad: La falta de inyección de ruido significa que el sistema no es formalmente privado diferencialmente.
• Escala: La evaluación se limita a cuatro fábricas; los beneficios de la agrupación no han sido probados a esta escala.
• Desalineación de Características: El espacio de características de la Fábrica 3 (metalurgia) tuvo que ser truncado para coincidir con las otras fábricas, lo que resultó en una desalineación semántica.
• Significancia Estadística: Con solo cinco semillas, la comparación contra el entrenamiento centralizado alcanza un valor p de dos colas de 0.063, quedando justo por debajo del umbral convencional de 0.05.