联邦学习用于分布式CNC刀具磨损预测

# 用于分布式CNC刀具磨损预测的联邦学习
Source: https://arxiv.org/html/2608.11281
11institutetext:马斯特里赫特大学，马斯特里赫特，荷兰
11email:a\.khan@maastrichtuniversity\.nlMorris StallmannMarcin PietrasikCharis KouzinopoulosAnna Wilbik

###### 摘要

刀具磨损预测是CNC加工中的一项重要任务，对刀具状态的准确监控有助于保障产品质量和工艺可靠性。机器学习方法已显示出在该任务上的潜力，但其在工业环境中的应用受到加工数据分布式特性以及机器、工厂或组织之间数据共享限制的制约。联邦学习通过在不传输原始运行数据的情况下实现协作式模型训练，为此类场景提供了合适的框架。本文研究了用于CNC刀具磨损预测的联邦学习。将刀具轨迹分布到模拟客户端上，以代表联邦学习场景。将联邦模型与集中式参考模型和本地客户端基线模型进行了比较。结果表明，联邦学习达到了接近集中式学习的性能，并且相比本地客户端模型有显著提升。这些发现表明，联邦学习能够支持分布式CNC制造环境中的协作式刀具磨损预测。

## 1 引言

切削刀具在铣削、钻孔或锯切等加工过程中对保证产品质量至关重要。尽管人们在工程设计高质量刀具方面投入了大量精力[11 (https://arxiv.org/html/2608.11281#bib.bib15)]，但即使是最好的刀具也会因加工过程中的磨粒磨损、粘着磨损和扩散磨损而受到影响，最终发生破损或达到使生产零件成为废品的状态[14 (https://arxiv.org/html/2608.11281#bib.bib14)]。因此，识别磨损状态以规划及时更换刀具非常重要。

最近的几项研究表明，机器学习（ML）方法能够实现准确的磨损状态预测[18 (https://arxiv.org/html/2608.11281#bib.bib3)]，[17 (https://arxiv.org/html/2608.11281#bib.bib2)]。虽然训练可靠且可泛化的ML模型通常依赖于高质量且充分多样化的数据，但收集这样的数据集对单个制造商或生产单元来说可能具有挑战性，而如果多方合作并合并其数据，则可能变得可行。在真实的CNC制造环境中，加工数据可能分布在多台机器、生产单元、工厂或组织之间。集中这些数据的成本可能很高，因为传感器记录和图像体积大、持续生成，并与运营流程紧密关联。同时，集中数据也可能不受欢迎，因为刀具磨损数据可能泄露生产条件、加工策略、材料特性或工艺质量等信息。联邦学习（FL）是一种机器学习范式，允许协作者共同训练机器学习模型，而无需共享原始数据实例，同时保持本地数据的私密性。因此，它非常适合具有分布式数据以及数据共享约束的环境，例如CNC制造，最近的几项工作也已注意到这一点（第2节 (https://arxiv.org/html/2608.11281#S2)）。

尽管这些工作显示了有前景的结果，但在分布式系统中真实数据处理挑战的假设下，联邦学习是否确实比孤立的本地客户端训练更有优势，仍然是一个未决问题（第2节 (https://arxiv.org/html/2608.11281#S2)）。在本工作中，我们提出使用MATWI数据集[3 (https://arxiv.org/html/2608.11281#bib.bib16)]，结合两个新颖的联邦学习系统来研究这一问题。每个系统由多个模块组成，包括用于协调不同本地数据集的数据预处理模块、用于识别本地模式的学习算法，以及用于推导全局模型的平均机制（第3节 (https://arxiv.org/html/2608.11281#S3)），并以本地客户端训练作为基准进行对比。MATWI数据集包含图像、加速度计和声学传感器的测量数据，以及17组切削刀具的磨损标签（第3.1节 (https://arxiv.org/html/2608.11281#S3.SS1)）。该数据未经预处理，规模足够大以模拟联邦场景，包含多种模态，并且自然地分布在不同机器上。

在第2节 (https://arxiv.org/html/2608.11281#S2)中，我们介绍了联邦学习框架以及将其应用于学习刀具磨损预测模型的相关工作。第3节 (https://arxiv.org/html/2608.11281#S3)阐述了本工作的分布式学习问题，并描述了如何使用FL来解决该问题。在第4节 (https://arxiv.org/html/2608.11281#S4)、第5节 (https://arxiv.org/html/2608.11281#S5)和第6节 (https://arxiv.org/html/2608.11281#S6)中，描述了在MATWI数据集上的评估。第7节 (https://arxiv.org/html/2608.11281#S7)讨论了本工作的局限性以及潜在的未来研究方向。最后，第8节 (https://arxiv.org/html/2608.11281#S8)对本工作进行了总结。

## 2 相关工作

### 2.1 联邦学习

在FL中，多个*客户端*协作训练一个ML模型，以利用分布式数据同时保护隐私。每个客户端持有一个必须保持私密的本地数据集，即不能与任何其他实体共享。在集中式FL中，训练协议可以描述为五个步骤[5 (https://arxiv.org/html/2608.11281#bib.bib13)]：

1. 1. 协调者（中心服务器）选择参与下一轮训练的客户端。
2. 2. 中心服务器将全局模型共享给选定的客户端。
3. 3. 客户端在本地数据上优化本地学习目标，并将本地更新共享给中心服务器。
4. 4. 中心服务器将所有本地更新聚合为全局更新，并应用该更新以推导出新的全局模型。
5. 5. 更新后的全局模型被共享给客户端。如果满足收敛准则，训练结束。否则，训练过程从第一步继续。

FL设置的不同之处在于数据如何划分（垂直或水平）以及学习过程如何编排（集中式或去中心化）。水平拆分数据是按样本划分，垂直拆分数据是按特征划分。在集中式FL中，模型训练由中心服务器编排，而在去中心化情况下，客户端直接相互通信。我们在本工作中考虑集中式、水平的联邦学习。

联邦学习中的常见挑战源于数据的分布式特性，包括通信开销、系统异构性和数据异构性[16 (https://arxiv.org/html/2608.11281#bib.bib6)]。FL中的数据异构性，即非IID性，发生在客户端本地数据遵循不同分布时，这可能影响训练收敛和模型性能。解决数据异构性这一关键挑战的方法通常应用标准聚合算法FedAvg的变体（参见第3节 (https://arxiv.org/html/2608.11281#S3)），对兼容的客户端进行分组以实现有针对性的模型更新，或应用数据增强技术[20 (https://arxiv.org/html/2608.11281#bib.bib1)]。尽管存在这些挑战，学术文献仍证明了FL适用于各种应用领域，包括医疗保健[13 (https://arxiv.org/html/2608.11281#bib.bib7)]、金融服务安全[7 (https://arxiv.org/html/2608.11281#bib.bib4)]和预测性维护[15 (https://arxiv.org/html/2608.11281#bib.bib5)]。

### 2.2 基于联邦学习的刀具磨损预测

在工业环境中，FL在刀具磨损预测方面引起了越来越多的研究关注。文献[6 (https://arxiv.org/html/2608.11281#bib.bib9)]的作者利用包括加速度计、振动或声发射在内的传感信息，将刀具磨损建模为预测问题。他们提出了一种特征计算技术与联邦（Bi）LSTM架构相结合的方法来估计目标值，并在PHM数据集[8 (https://arxiv.org/html/2608.11281#bib.bib10)]上展示了有前景的结果。然而，由于该工作侧重于提出新颖的联邦方法，联邦方法相对于仅本地训练是否有益仍待明确。在[4 (https://arxiv.org/html/2608.11281#bib.bib12)]中，提出了一种处理客户端数据异构性的新联邦聚合算法，并在[9 (https://arxiv.org/html/2608.11281#bib.bib11)]引入的刀具磨损数据集上进行了评估。由于该工作的重点是聚合算法，因此没有强调分布式环境中的数据处理挑战。实际上，[9 (https://arxiv.org/html/2608.11281#bib.bib11)]报告了对原始数据应用数据归一化，而在分布式、隐私保护的场景中，这一步骤可能难以复制。文献[2 (https://arxiv.org/html/2608.11281#bib.bib8)]介绍了一种使用图像的刀具磨损预测方法。作者观察到FL模型可以产生比逐客户端训练更好的结果，从而推动了其在刀具磨损预测中的应用。然而，他们也承认，鉴于其实验数据的规模较小，其结果的一般性有限。

总之，最近的几项工作证明了联邦学习在机械加工行业刀具磨损预测中的适用性。然而，这些工作要么忽略了分布式数据设置中固有的数据预处理挑战，要么未能证明训练FL模型的收益足以证明此类实现的额外复杂性是合理的。

## 3 方法论

本文将刀具磨损预测表述为一个分布式学习问题，其中工业数据由不同的数据所有者生成并保留。因此，所提出的设置将每个客户端视为一个自主的工业站点，在参与协作模型训练的同时保持其原始数据的本地性。

所考虑的设置对应于水平联邦学习。在水平联邦学习中，客户端共享相同的特征空间和学习任务，但拥有不同的样本。这与刀具磨损场景相匹配，因为每个客户端针对给定模态训练相同类型的预测模型，而样本则分布在不同刀具或站点之间。

联邦学习提供了分布式协调机制。模型被发送到数据所在的位置，而不是将原始数据移动到中心位置。中心服务器协调训练轮次，而客户端使用自己的数据执行本地计算。服务器永远不会看到原始传感器记录或图像。它只接收来自客户端的模型参数，并将它们聚合为新的全局模型。这种设计减少了对数据集中化的需求，并从结构上支持了数据本地性。该方法在设计上是隐私保护的，因为原始运行数据保留在客户端站点。

设KK表示客户端数量。每个客户端kk拥有一个包含nkn_k个样本的本地数据集Dk\mathcal{D}_{k}，并设n=∑k=1Knkn=\sum_{k=1}^{K}n_k为所有客户端的样本总数。对于样本(x,y)∈Dk(x,y)\in\mathcal{D}_{k}，其中xx是模型输入，yy是相应的刀具磨损标签，设l(θ;x,y)\ell(\theta;x,y)为模型参数θ\theta的损失。客户端kk的本地目标为

Lk(θ)=1nk∑(x,y)∈Dkl(θ;x,y)。\mathcal{L}_{k}(\theta)=\frac{1}{n_k}\sum_{(x,y)\in\mathcal{D}_{k}}\ell(\theta;x,y)。全局目标是学习一个单一模型，使本地客户端目标的样本加权平均值最小化：

L(θ)=∑k=1KnknLk(θ)，\mathcal{L}(\theta)=\sum_{k=1}^{K}\frac{n_k}{n}\mathcal{L}_{k}(\theta)，且目标模型为

θ∗=arg⁡minθ⁡L(θ)。\theta^{*}=\arg\min_{\theta}\mathcal{L}(\theta)。
训练遵循基于同步通信轮次的客户端-服务器协议。在第tt轮，服务器将当前全局参数θt\theta_t广播给所有参与客户端。每个客户端用θt\theta_t初始化其本地模型，在Dk\mathcal{D}_{k}上执行本地优化，并将更新后的参数θtk\theta_t^k返回给服务器。然后服务器应用FedAvg聚合[12 (https://arxiv.org/html/2608.11281#bib.bib20)]：

θt+1=∑k=1Knknθtk。\theta_{t+1}=\sum_{k=1}^{K}\frac{n_k}{n}\theta_t^k。
这种聚合使得拥有更多本地样本的客户端具有相应更大的影响力，同时保持一个共享的全局模型。从分布式系统的角度来看，每一轮包括全局同步、并行本地计算、模型更新的通信以及服务器端聚合。因此，协作成本通过通信轮次和交换的模型参数来体现，而不是通过原始数据传输。

分布式训练协议与模态无关。只要客户端对所选择的模态使用兼容的模型架构，相同的客户端-服务器协调、本地训练、通信和聚合过程就可以应用于不同的数据模态。在本文中，该协议被实例化为传感器数据和图像数据。模型架构因模态而异，但系统级协议保持不变。

参见图注Figure 1:用于刀具磨损预测的联邦学习架构### 3.1 MATWI数据集

多模态自动刀具磨损检测（MATWI）数据集由De Pauw等人[3 (https://arxiv.org/html/2608.11281#bib.bib16)]引入，旨在支持CNC铣削自动刀具磨损监测方法的开发。它包含来自17组切削刀具的数据，每组代表一个物理铣削刀片在其使用寿命期间的磨损进展。对于每个加工循环，MATWI提供了带标签的磨损观测数据，以及同步的过程传感器记录和切削刃图像。传感器数据包括沿三个轴的切削力测量值、加速度计信号和声学测量值，而视觉模态包括加工后采集的图像，用于记录刀片的状态。

每个样本都与定量磨损标签和磨损类型注释相关联。磨损类别包括后刀面磨损、粘着磨损以及后刀面-粘着复合磨损。在[3 (https://arxiv.org/html/2608.11281#bib.bib16)]中，第1-13组用于主要的基线图像实验。第14-17组被排除，因为它们是在加工不同工件材料时收集的，这导致了粘着磨损增加和刀具外观的明显差异。这与早期组别相比产生了域偏移。按照相同的协议，第1-13组用于基准实验。每个样本都与定量磨损标签和磨损类型注释相关联。磨损类别包括后刀面磨损、粘着磨损以及后刀面-粘着复合磨损。

MATWI的结构适合联邦学习，因为每组代表单个物理刀具的完整磨损轨迹。在实际制造环境中，类似的数据可能由不同的机器、生产单元或站点在本地生成并保留，而不是集中汇集。为了模拟这种场景，刀具组被分配到联邦客户端，而与特定刀具相关的所有传感器记录和图像都保留在同一客户端。客户端通过模型更新协作训练共享模型，而无需交换原始加工数据。此部分