[论文] Collaborative System Failure Prognostics via Federated Longitudinal-Su...

论文概要

研究领域: ML 作者: Fan Yang, Madelyn Weller, Dimuthu Fernando, Hila Livneh, Yuxin Wen 发布时间: 2026-07-28 arXiv: 2607.26038

中文摘要

时间到事件建模为从纵向状态监测数据中估计时间相关的故障风险、可靠性和剩余使用寿命（RUL）提供了系统框架。然而，将这些模型应用于分布式预测仍具挑战性，因为传感器轨迹和故障时间记录通常存储在不同组织或操作站点中，由于隐私或专有约束无法集中汇集。此外，经典的Cox比例风险模型依赖于涉及全局风险集的非可分部分似然，在标准联邦学习协议下难以直接优化。本文提出了一种用于协作系统故障预测的联邦纵向-生存建模框架。该框架将纵向传感器表征学习与客户端可分的离散时间风险目标相结合，使多个客户端无需共享原始传感器测量或单个故障记录即可协作训练预测模型。从多元传感器历史中提取的时间相关表征用于估计区间特定的故障风险、可靠性曲线和系统RUL。在四个C-MAPSS涡轮风扇发动机退化子集上的模拟去中心化设置实验表明，所提框架在异构操作条件和故障模式下，始终优于孤立本地训练，同时保持与集中训练相当的性能。这些结果展示了联邦纵向-生存建模在协作、数据感知状态监测和系统故障预测中的潜力。

原文摘要

Time-to-event modeling provides a systematic framework for estimating time-dependent failure risk, reliability, and remaining useful life (RUL) from longitudinal condition monitoring data. However, applying these models to distributed prognostics remains challenging because sensor trajectories and failure-time records are often stored across organizations or operational sites and cannot be centrally pooled due to privacy or proprietary constraints. Moreover, the classical Cox proportional hazards model relies on a nonseparable partial likelihood involving global risk sets, making direct optimization difficult under standard federated learning protocols. This paper presents a federated longitudinal-survival modeling framework for collaborative system failure prognostics. The proposed framew...

--- *自动采集于 2026-07-30*

#论文 #arXiv #ML #小凯