技术摘要：MAFL-PdM

问题陈述

工业物联网（IIoT）环境日益依赖预测性维护（PdM）来优化运营效率并估算剩余使用寿命（RUL）。然而，跨站点协作受到数据主权、所有权约束和监管要求（如 GDPR）的阻碍，这些因素阻止了原始传感器数据的集中化。虽然联邦学习（FL）提供了一种无需共享数据即可进行分布式训练的解决方案，但将标准 FL 协议应用于异构工业现场面临两个关键挑战：

1. 数据异构性（Non-IID）： 工业现场在机器类型、传感配置和退化模式方面存在差异。标准的聚合策略（如 FedAvg）在局部更新向冲突方向移动时，往往会导致收敛不稳定和模型质量下降。
2. 隐私适配： 现有的 FL 框架通常使用静态、统一的隐私设置。在 PdM 中，由于稀有故障特征至关重要，无差别的噪声注入可能会不成比例地破坏对故障敏感的模式。此外，当前的方法通常将工厂视为被动的客户端，而非具有独特运营约束的自主代理。

方法论：MAFL-PdM

本文提出了 MAFL-PdM，一种旨在实现异构站点间个性化 PdM 的多智能体联邦学习框架。该系统架构由四个自主的工厂智能体（Factory Agents）和一个联邦编排器智能体（Federated Orchestrator Agent）组成。

核心组件

1. 局部模型架构： 每个工厂智能体使用带有时间注意力机制（temporal attention）的两层长短期记忆网络（LSTM）训练局部模型。该模型通过结合 FedProx 正则化的加权 Huber 损失来预测 RUL，以约束局部优化。
2. 聚类驱动聚合（CMFL-PdM）： 编排器根据梯度更新的余弦相似度进行 K-means 聚类（K=2），将具有相似运营行为的工厂进行分组。聚合执行 80/20 的权重分配，即在主要簇和少数派簇之间进行权重平衡，以防止排除少数派站点。
3. 联邦后个性化（Post-Federation Personalisation）： 在 30 轮联邦训练后，每个工厂智能体在其自身的局部数据上对全局共识模型进行 8 个轮次的微调。这一步对于将共享模型适配到局部数据分布至关重要，且无需进一步共享梯度。
4. 隐私会计（Privacy Accounting）： 该框架使用 Rényi 会计（Opacus）实现逐工厂的差分隐私（DP）会计。然而，在报告的配置中，梯度噪声注入被禁用了。系统追踪隐私预算（$\epsilon = [3.0, 5.0, 8.0, 7.0]$），但在目前的实验中并未强制执行正式的 DP 保证。
5. 漂移感知选择： 工厂通过 Kolmogorov–KS 检验监测局部数据漂移，允许编排器优先考虑具有显著分布偏移的客户端。

数据集

该框架在两个异构的真实工业数据集上进行了评估：

• 电梯门监控： 三个工厂（工厂 0–2）使用门球轴承转动、湿度和振动数据。
• 金属加工液监控： 一个工厂（工厂 3）使用 pH 值、电导率、浓度和温度数据。
• RUL 标签： 通过指数衰减曲线结合加性高斯噪声生成的合成随机信号，并归一化至 [0, 1]。

关键结果

实验在五个随机种子（42–46）下进行，将 MAFL-PdM 与集中式训练、仅局部训练、原生 FedAvg、FedProx 以及噪声扰动基准进行了对比。

• 性能： MAFL-PdM 实现了 0.0498 ± 0.0012 的 RMSE 和 0.819 ± 0.016 的 F1 分数。
  • 它在所有五个种子下的 RMSE 均低于集中式训练。
  • 它在 F1 分数上与集中式训练持平，同时保留了数据局部性。
  • 它显著优于所有联邦基准（例如，原生 FedAvg 的 RMSE 为 0.2444）。
• 消融实验： 组件消融研究表明，联邦后个性化几乎贡献了全部的性能增益。
  • 去除个性化导致 F1 分数下降了 0.457，使得该框架与原生 FedAvg 无法区分。
  • 去除聚类感知聚合和故障敏感损失权重后，结果变化极小（F1 分数分别下降了 -0.0019 和 -0.0096），处于种子间的正常波动范围内。
• 聚类分析： K-means 聚类机制未能一致地恢复预期的数据集划分（电梯 vs. 金属加工）。相反，它根据拟合数据的难度进行分组（例如，将跨领域的工厂 3 与最难拟合的电梯工厂 2 归为一组）。因此，在该较小的联邦规模（N=4）下，聚类机制没有产生可衡量的收益。

重要性与声明

论文对其贡献和局限性提出了以下具体声明：

1. 主要机制： 研究指出，联邦后个性化是使联邦 PdM 在异构站点间发挥作用的关键机制，而非聚合策略或损失权重。它证明了通过共享初始化结合局部微调，可以在回归误差（RMSE）上优于集中式汇聚，并在分类性能（F1）上与之匹配。
2. 关于聚类的负面结果： 论文明确报告称，在此特定实验设置（4 个客户端，K=2）下，聚类感知聚合未提供可衡量的收益。作者将其归因于较小的联邦规模和聚类划分的不稳定性，表明该机制需要更大的规模才能有效地重新分配聚合权重。
3. 隐私立场： 作者明确表示，所报告的结果并未声称具有正式的差分隐私保证。虽然框架包含了 DP 会计和预算追踪，但梯度噪声注入已被禁用。由于存在逐样本裁剪和子采样假设的问题，目前的结果代表了一个保留了数据局部性但尚未满足 DP-SGD 数学要求的系统。
4. 可复现性： 论文提供了一个完全可复现的流水线，包括代码、数据集和用于重新生成所有表格和图表的脚本，强调了结果成立的具体条件。

局限性

作者承认存在以下限制：

• 合成标签： RUL 标签是合成的，这限制了结果在未经真实退化数据集验证的情况下应用于实际部署的能力。
• 隐私差距： 由于缺乏噪声注入，该系统不具备正式的差分隐私特性。
• 规模： 评估仅限于四个工厂；聚类的优势在如此规模下尚未得到证实。
• 特征失配： 工厂 3（金属加工）必须对其特征空间进行截断以匹配其他工厂，从而导致了语义上的失配。
• 统计显著性： 仅使用五个种子，使其与集中式训练的比较达到了 0.063 的双侧 p 值，略高于传统的 0.05 阈值。