Federated Learning for Distributed CNC Tool Wear Prediction

कल्पना कीजिए एक ऐसी दुनिया की जहाँ मशीनें स्मार्ट बनने के लिए एक-दूसरे से बात करती हैं, लेकिन उन्हें अपने गुप्त नुस्खे (secret recipes) कभी साझा करने की ज़रूरत नहीं पड़ती। यह मशीन लर्निंग (Machine Learning) का मूल है, जो कंप्यूटर विज्ञान की एक ऐसी शाखा है जहाँ सॉफ्टवेयर कठोर निर्देशों का पालन करने के बजाय उदाहरणों से सीखता है। आमतौर पर, अच्छी तरह सीखने के लिए, एक कंप्यूटर को डेटा के एक विशाल ढेर की आवश्यकता होती है—जैसे एक छात्र हज़ारों पाठ्यपुस्तकों को पढ़ रहा हो। लेकिन वास्तविक औद्योगिक दुनिया में, वह डेटा अक्सर अलग-अलग कारखानों में बंद होता है, गोपनीयता नियमों द्वारा सुरक्षित होता है, या बस इतना बड़ा होता है कि उसे स्थानांतरित करना असंभव होता है। यहाँ आता है फेडरेटेड लर्निंग (Federated Learning), एक चतुर समाधान। इसे ऐसे समझें जैसे शेफ का एक समूह एक सूप की रेसिपी को बेहतर बनाने की कोशिश कर रहा है। अपने गुप्त अवयवों (ingredients) को एक केंद्रीय रसोई में भेजने के बजाय (जो जोखिम भरा या असंभव हो सकता है), वे प्रत्येक अपनी रसोई में एक छोटा बर्तन पकाते हैं, उसका स्वाद लेते हैं, और केवल स्वाद सुधारने के निर्देश मुख्य शेफ को भेजते हैं। मुख्य शेफ इन निर्देशों को मिलाकर एक मास्टर रेसिपी बनाता है, उसे वापस भेजता है, और यह चक्र दोहराया जाता है। परिणाम? हर किसी को बेहतर सूप मिलता है बिना किसी को दूसरे के गुप्त अवयवों को देखे। यह शोध पत्र एक महत्वपूर्ण प्रश्न पूछता है: क्या यह "गुप्त नुस्खा" विधि वास्तव में यह भविष्यवाणी करने के लिए काम कर सकती है कि एक धातु काटने वाला उपकरण (metal-cutting tool) कब टूटने वाला है, या यह सिर्फ एक फैंसी विचार है जो फैक्ट्री के फर्श की अव्यवस्थपूर्ण वास्तविकता में विफल हो जाता है?

---

थके हुए ड्रिल बिट की कहानी

CNC मशीनिंग की दुनिया में, मशीनें कारों, फोन और हवाई जहाजों के पुर्जे तराशने के लिए तेज़ धातु के औजारों का उपयोग करती हैं। लेकिन ये औजार अजेय नहीं हैं; समय के साथ ये कुंद (dull), चिप या घिस जाते हैं, ठीक वैसे ही जैसे पेंसिल की नोक। यदि कोई टूल बहुत अधिक घिस जाता है, तो उससे बनने वाले पुर्जे बेकार (scrap) हो जाते हैं, और मशीन भी टूट सकती है। इसलिए, कारखानों को यह जानने की ज़रूरत होती है कि टूल को कब बदलना है।

लंबे समय से, विशेषज्ञ इस घिसावट (wear) की भविष्यवाणी करने के लिए कंप्यूटर का उपयोग करने का प्रयास करते रहे हैं। लेकिन इसमें एक पेंच है: एक एकल कारखाने के पास कंप्यूटर को अच्छी तरह सिखाने के लिए पर्याप्त डेटा नहीं हो सकता है, और वे अपना सारा संवेदनशील मशीन डेटा एक केंद्रीय क्लाउड को नहीं भेज सकते क्योंकि यह बहुत बड़ा, बहुत निजी या बहुत जोखिम भरा है। यहीं पर हमारा शोध पत्र आता है। लेखकों ने, जो मैस्ट्रिच यूनिवर्सिटी (Maastricht University) की एक टीम है, यह परीक्षण करने का निर्णय लिया कि क्या फेडरेटेड लर्निंग इस समस्या को हल कर सकती है। वे देखना चाहते थे कि क्या विभिन्न कारखाने कच्चे डेटा को साझा किए बिना एक सुपर-स्मार्ट "वियर प्रेडिक्टर" (घिसावट बताने वाला यंत्र) बनाने के लिए सहयोग कर सकते हैं।

प्रयोग: एक वर्चुअल फैक्ट्री गेम

इसकी परीक्षा करने के लिए, शोधकर्ताओं ने एक वास्तविक फैक्ट्री नहीं बनाई। इसके बजाय, उन्होंने MATWI नामक एक विशेष डेटासेट का उपयोग किया, जिसमें 17 अलग-अलग कटिंग टूल्स के सेट की रिकॉर्डिंग शामिल है। प्रत्येक सेट एक भौतिक टूल के पूरे जीवन का प्रतिनिधित्व करता है, नए और तेज़ से लेकर घिसे हुए और टूटे हुए तक। यह डेटा "मल्टीमॉडल" (multimodal) है, जिसका अर्थ है कि यह दो रूपों में आता है:

1. सेंसर डेटा: मशीन के लिए स्टेथोस्कोप की तरह, जो टूल के कटते समय कंपन, ध्वनि और बल को रिकॉर्ड करता है।
2. इमेज डेटा: एक कैमरे की तरह जो काम खत्म होने के बाद टूल के किनारे की फोटो लेता है।

शोधकर्ताओं ने एक सिमुलेशन तैयार किया जहाँ इन 17 टूल सेट्स को तीन काल्पनिक "क्लाइंट्स" (मान लीजिए फैक्ट्री A, फैक्ट्री B और फैक्ट्री C) के बीच विभाजित किया गया था।

• "लोकल" टीम: प्रत्येक फैक्ट्री ने केवल अपने डेटा का उपयोग करके अपने स्वयं के AI को प्रशिक्षित करने का प्रयास किया।
• "सेंट्रलाइज्ड" टीम: एक काल्पनिक सुपर-फैक्ट्री जिसके पास A, B और C का सारा डेटा एक साथ मिलाकर एक विशाल मॉडल को प्रशिक्षित करने के लिए उपलब्ध है। यह "गोल्ड स्टैंडर्ड" या सबसे अच्छा संभव परिणाम है।
• "फेडरेटेड" टीम: तीनों फैक्ट्रियों ने "गुप्त नुस्खा" वाला खेल खेला। उन्होंने स्थानीय स्तर पर प्रशिक्षण लिया, अपने मॉडल अपडेट केंद्रीय सर्वर को भेजे, और एक नया, संयुक्त मॉडल वापस प्राप्त किया। उन्होंने यह कई राउंड (सेंसर के लिए 100 राउंड तक, और इमेज के लिए 30 राउंड) में किया।

खेल शुरू होने से पहले, टीम को डेटा को साफ करना था। उन्होंने महसूस किया कि जब टूल चलता है लेकिन कुछ भी काट नहीं रहा होता (जिसे "एयर कट्स" कहा जाता है), तो सेंसर केवल शोर (noise) रिकॉर्ड करते हैं। इसलिए, उन्होंने उबाऊ हिस्सों को काटकर केवल "सक्रिय कटिंग" क्षणों को रखने के लिए एक स्मार्ट फ़िल्टर विकसित किया। उन्होंने पाया कि इससे सेंसर मॉडल बहुत सटीक हो गए, जिससे त्रुटि दर (error rate) में काफी कमी आई।

परिणाम: क्या टीमवर्क सफल रहा?

बड़ा सवाल यह था: क्या फेडरेटेड टीम डेटा साझा किए बिना "सेंट्रलाइज्ड" गोल्ड स्टैंडर्ड के करीब पहुँच सकती है?

फैसला: हाँ, और यह आश्चर्यजनक रूप से करीब था!

• अकेले खेलने वालों को पछाड़ना: फेडेटेड मॉडल किसी भी अकेले फैक्ट्री के मुकाबले, जो अकेले सीखने की कोशिश कर रही थी, बहुत बेहतर था। उदाहरण के लिए, इमेज (Image) परीक्षणों में, फेडरेटेड मॉडल की कुल त्रुटि 18.73 µm थी, जो तीनों व्यक्तिगत फैक्ट्रियों (जो 29.97 µm से 52.69 µm के बीच थीं) से कम थी। यह साबित करता है कि ज्ञान (मॉडल अपडेट) साझा करना अकेले रहने से कहीं बेहतर है।
• गोल्ड स्टैंडर्ड को पकड़ना: फेडरेटेड मॉडल पूरी तरह से सेंट्रलाइज्ड "गॉड मोड" मॉडल से मेल नहीं खा सका, लेकिन यह बहुत करीब था।
  • सेंसर डेटा के लिए, सेंट्रलाइज्ड मॉडल की कुल त्रुटि 16.40 µm थी, जबकि फेडरेटेड मॉडल 17.90 µm पर था। यह एक बहुत ही मामूली अंतर है!
  • इमेज डेटा के लिए, सेंट्रलाइज्ड मॉडल 18.06 µm पर था, और फेडरेटेड मॉडल 18.73 µm पर था। फिर से, लगभग समान।

बारीकी (Nuance): पेपर नोट करता है कि फेडरेटेड मॉडल इमेजेस का उपयोग करके "एडहेसन" (जहाँ सामग्री टूल से चिपक जाती है) की भविष्यवाणी करने में थोड़ा बेहतर था, लेकिन सेंसर का उपयोग करके "एडहेसन" की भविष्यवाणी करने में थोड़ा खराब था। यह समझ में आता है क्योंकि एडहेसन एक दृश्य चीज़ है (आप गंदगी देख सकते हैं), जबकि सेंसर टूल के कुंद होने (फ्लैंक वियर) के कंपन को महसूस करने में बेहतर होते हैं।

भविष्य के लिए इसका क्या अर्थ है

शोध पत्र निष्कर्ष निकालता है कि फेडरेटेड लर्निंग एक व्यावहारिक समझौता (practical compromise) है। यह सुझाव देता है कि कारखाने गोपनीयता नियमों को तोड़े बिना या टेराबाइट्स डेटा स्थानांतरित किए बिना बेहतर AI टूल्स बनाने के लिए सहयोग कर सकते हैं। फेडरेटेड दृष्टिकोण कोई जादुई समाधान नहीं है जो सेंट्रलाइज्ड वर्जन से पूरी तरह मेल खाता हो (अभी भी एक छोटा सा अंतर है), लेकिन यह अकेले काम करने की तुलना में एक बड़ा सुधार है।

लेखक सावधानी बरतते हुए कहते हैं कि यह एक विशिष्ट डेटासेट का उपयोग करके किया गया एक सिमुलेशन था। वे चेतावनी देते हैं कि वास्तविक दुनिया में, अधिक कारखानों और अधिक अव्यवस्थित डेटा के साथ, चीजें कठिन हो सकती हैं। वे यह भी बताते हैं कि हालांकि वर्तमान पद्धति डिफ़ॉल्ट रूप से गोपनीयता की रक्षा करती है, लेकिन यह हैकर्स के खिलाफ 100% अभेद्य नहीं है, इसलिए भविष्य के काम में अतिरिक्त सुरक्षा स्तरों की आवश्यकता हो सकती है। लेकिन फिलहाल, कहानी स्पष्ट है: अपने "गुप्त अवयवों" के बजाय अपने "सीखे गए सबक" साझा करके, मशीनें अपनी घिसावट की भविष्यवाणी बहुत तेज़ी से और अधिक सटीकता से करना सीख सकती हैं। यह दक्षता के लिए एक जीत है, गोपनीयता के लिए एक जीत है, और फैक्ट्री के फर्श को सुचारू रूप से चलाने के लिए एक जीत है।