Resumo Técnico: MAFL-PdM

Declaração do Problema

Ambientes de Internet das Coisas Industrial (IIoT) dependem cada vez mais da Manutenção Preditiva (PdM) para otimizar a eficiência operacional e estimar a Vida Útil Restante (RUL). No entanto, a colaboração entre diferentes sites é dificultada pela soberania dos dados, restrições proprietárias e requisitos regulatórios (ex: GDPR), que impedem a centralização de dados brutos de sensores. Embora o Aprendizado Federado (FL) ofereça uma solução ao permitir o treinamento distribuído sem o compartilhamento de dados, a aplicação de protocolos padrão de FL em sites industriais heterogêneos apresenta dois desafios críticos:

1. Heterogeneidade de Dados (Non-IID): Os sites industriais diferem em tipos de máquinas, configurações de sensores e padrões de degradação. Estratégias de agregação padrão (ex: FedAvg) frequentemente sofrem com convergência instável e redução na qualidade do modelo quando as atualizações locais se movem em direções conflitantes.
2. Adaptação de Privacidade: Os frameworks de FL existentes costem utilizar configurações de privacidade estáticas e uniformes. Na PdM, onde assinaturas de falhas raras são críticas, a injeção indiscriminada de ruído pode degradar desproporcionalmente padrões sensíveis a falhas. Além disso, as abordagens atuais frequentemente tratam as fábricas como clientes passivos em vez de agentes autônomos com restrições operacionais distintas.

Metodologia: MAFL-PdM

O artigo propõe o MAFL-PdM, um framework de Aprendizado Federado Multi-Agente projetado para PdM personalizada em sites heterogêneos. A arquitetura do sistema consiste em quatro Agentes de Fábrica autônomos e um Agente Orquestrador Federado.

Componentes Principais

1. Arquitetura do Modelo Local: Cada Agente de Fábrica treina um modelo local usando uma rede de Memória de Longo Prazo (LSTM) de duas camadas com atenção temporal. O modelo prevê a RUL usando uma perda Huber ponderada combinada com regularização FedProx para restringir a otimização local.
2. Agregação Dirigida por Agrupamento (CMFL-PdM): O Orquestrador realiza agrupamento K-means (K=2) na similaridade de cosseno das atualizações de gradiente para agrupar fábricas com comportamentos operacionais semelhantes. A agregação é realizada com um peso de 80/20 entre os clusters primário e minoritário para evitar a exclusão de sites minoritários.
3. Personalização Pós-Federação: Após 30 rodadas federadas, cada Agente de Fábrica ajusta (fine-tuning) o modelo de consenso global em seus próprios dados locais por oito épocas adicionais. Este passo é crucial, pois adapta o modelo compartilhado às distribuições de dados locais sem o compartilhamento adicional de gradientes.
4. Contabilidade de Privacidade: O framework implementa contabilidade de privacidade diferencial (DP) por fábrica usando um contador Rényi (Opacus). No entanto, na configuração relatada, a injeção de ruído de gradiente foi desativada. O sistema rastreia orçamentos de privacidade ($\epsilon = [3.0, 5.0, 8.0, 7.0]$), mas não impõe garantias formais de DP nos experimentos atuais.
5. Seleção Consciente de Deriva (Drift-Aware): As fábricas monitoram a deriva de dados local usando testes de Kolmogorov–Smirnov, permitindo que o orquestrador priorize clientes com mudanças significativas de distribuição.

Datasets

O framework é avaliado em dois datasets industriais reais heterogêneos:

• Monitoramento de Portas de Elevador: Três fábricas (Fábricas 0–2) utilizando dados de rotação de rolamentos de porta, umidade e vibração.
• Monitoramento de Fluido de Usinagem de Metais: Uma fábrica (Fábrica 3) utilizando pH, condutividade, concentração e temperatura.
• Rótulos de RUL: Sinais estocásticos sintéticos gerados via uma curva de decaimento exponencial com ruído Gaussiano aditivo, normalizados para [0, 1].

Principais Resultados

Experimentos foram conduzidos sobre cinco sementes aleatórias (42–46) comparando o MAFL-PdM contra treinamento centralizado, treinamento apenas local, FedAvg vanilla, FedProx e baselines perturbados por ruído.

• Desempenho: O MAFL-PdM alcançou um RMSE de 0.0498 ± 0.0012 e um F1 score de 0.819 ± 0.016.
  • Alcançou um RMSE menor que o treinamento centralizado em todas as cinco sementes.
  • Igualou o treinamento centralizado no F1 score enquanto preservava a localidade dos dados.
  • Superou significativamente todos os baselines federados (ex: RMSE do Vanilla FedAvg: 0.2444).
• Estudo de Ablação: Uma ablação de componentes revelou que a personalização pós-federação responde essencialmente por todo o ganho de desempenho.
  • Remover a personalização causou uma queda de 0.457 no F1, tornando o framework indistinguível do vanilla FedAvg.
  • Remover a agregação consciente de agrupamento e a ponderação de perda sensível a falhas resultou em mudanças negligenciáveis (quedas de F1 de -0.0019 e -0.0096, respectivamente), situando-se dentro da variação de semente para semente.
• Análise de Agrupamento: O mecanismo de agrupamento K-means falhou em recuperar consistentemente a partição pretendida dos datasets (Elevador vs. Metalurgia). Em vez disso, agrupou as fábricas com base na dificuldade de ajuste (ex: agrupando a Fábrica 3, de domínio cruzado, com a Fábrica 2 do Elevador, que era a mais difícil de ajustar). Consequentemente, o mecanismo de agrupamento não contribuiu com nenhum benefício mensurável neste pequeno tamanho de federação (N=4).

Significância e Alegações

O artigo faz as seguintes alegações específicas sobre sua contribuição e limitações:

1. Mecanismo Primário: O estudo identifica a personalização pós-federação como o mecanismo crítico que permite que a PdM federada funcione em sites heterogêneos, em vez da estratégia de agregação ou ponderação de perda. Demonstra que uma inicialização compartilhada seguida de ajuste fino local pode superar o agrupamento centralizado em erro de regressão (RMSE) enquanto iguala o desempenho de classificação (F1).
2. Resultado Negativo sobre Agrupamento: O artigo relata explicitamente que a agregação consciente de agrupamento não proporcionou ganho mensurável neste cenário experimental específico (4 clientes, K=2). Atribui isso ao pequeno tamanho da federação e à instabilidade da partição de agrupamento, sugerindo que o mecanismo requer uma escala maior para redistribuir significativamente os pesos de agregação.
3. Posicionamento de Privacidade: Os autores são explícitos ao afirmar que nenhuma garantia formal de privacidade diferencial é reivindicada para os resultados relatados. Embora o framework inclua contabilidade de DP e rastreamento de orçamento, a injeção de ruído de gradiente foi desativada. Os resultados representam um sistema que preserva a localidade dos dados, mas ainda não satisfaz os requisitos matemáticos de DP-SGD (devido a questões de clipping por amostra e suposições de subamostragem).
4. Reprodutibilidade: O artigo fornece um pipeline totalmente reproduzível, incluindo código, datasets e scripts para regenerar todas as tabelas e figuras, destacando as condições específicas sob as quais os resultados são válidos.

Limitações

Os autores reconhecem diversas restrições:

• Rótulos Sintéticos: Os rótulos de RUL são sintéticos, limitando a aplicabilidade dos resultados para implantação no mundo real sem validação em datasets de degradação de verdade fundamental (ground-truth).
• Lacuna de Privacidade: A falta de injeção de ruído significa que o sistema não é formalmente privado diferencialmente.
• Escala: A avaliação é limitada a quatro fábricas; os benefícios do agrupamento não foram comprovados nesta escala.
• Desalinhamento de Características: O espaço de características da Fábrica 3 (metalurgia) teve que ser truncado para corresponder aos outros, resultando em desalinhamento semântico.
• Significância Estatística: Com apenas cinco sementes, a comparação contra o treinamento centralizado atinge um p-valor bilateral de 0.063, quase atingindo o limiar convencional de 0.05.