Федеративное машинное обучение в действии: оценка эффективности
Роботы учатся друг у друга
COMAU является поставщиком средств автоматизации, и его роботы установлены на десятках заводов в автомобильной сфере. В этом контексте эти клиенты промышленной автоматизации не хотят делиться своими данными.
Тем не менее, эти данные ценны для производителя роботов как с точки зрения бизнеса (новые дополнительные услуги для клиентов), так и с точки зрения технических аспектов (улучшение производительности и качества роботов).
Шарниры роботов содержат ремень, который со временем естественным образом теряет свою эластичность. Со временем и в зависимости от использования натяжение ремня меняется, и на самом деле, чтобы предотвратить отказы, вызванные неправильным натяжением, операторы должны регулярно проверять состояние ремня, выполняя техническое обслуживание вручную. Эти операции требуют времени, усилий и, в конечном итоге, остановки производства. Более того, эти ручные операции могут оказаться бесполезными, если состояние ремня все еще хорошее.
Идентифицированное решение, реализованное для этого случая, представляет собой модель машинного обучения, способную прогнозировать состояние ремня на основе анализа набора конкретных параметров. Чтобы получить решение, обеспечивающее разумное качество прогноза, чрезвычайно важно определить правильный обучающий набор для использования.
Учитывая, что одни и те же роботы могут работать на разных заводах и под управлением разных владельцев (клиентов COMAU), можно предположить, что: (i) каждый из клиентов может быть заинтересован в использовании одной и той же прогнозной модели машинного обучения. для тех конкретных классов роботов, чтобы повысить их эффективность; (ii) каждый из клиентов может столкнуться с проблемой нехватки обучающих данных для создания эффективной модели машинного обучения, подходящей для производства: (iii) клиенты не хотят открывать свои данные третьим лицам.
В аналогичном сценарии в игру вступает платформа MUSKETEER, позволяющая обмениваться данными с сохранением конфиденциальности для COMAU и ее клиентов, а затем с возможностью использовать все доступные обучающие данные для построения модели классификации на основе федеративного машинного обучения.
Для тестирования функциональных возможностей платформы MUSKETEER и, в частности, клиентского коннектора MUSKETEER были установлены два испытательных стенда под названием RobotBox. Первый RobotBox (в дальнейшем называемый «настоящим RobotBox») находится в штаб-квартире COMAU в Турине, а второй («виртуальный RobotBox») представляет собой виртуальный симулятор, размещенный на объекте ENGINEERING в Палермо. Обе тестовые ставки имитируют заводы двух разных клиентов.
Определение качественных данных
Если вдаваться в подробности, RobotBox копирует ось робота COMAU. Он состоит из двигателя, ремня, редуктора и груза (желтая часть на рисунке 2 выше). Чтобы собрать данные при разных уровнях натяжения ремня, нам пришлось разнести двигатель и коробку передач друг от друга. Для этого мы установили слайсер для перемещения двигателя и циферблатный индикатор для измерения расстояния между двумя частями. Мы решили рассмотреть 3 различных уровня натяжения ремня.
RobotBox всегда выполняет одно и то же движение, называемое циклом. После каждых 24-секундных циклов мы собирали сигналы от контроллера движения RobotBox. Для каждого цикла мы рассчитали 141 признак, описывающий различные аспекты сигналов (например, среднее значение, максимум, минимум, среднеквадратичное значение, асимметрия, интеграл и т. д.). Эти функции были выбраны на основе знаний и литературы о натяжении ремней.
Для каждого уровня мы выполнили около 6000 циклов, всего 18000 образцов для каждого RobotBox, учитывая 3 различных уровня натяжения ремня. Для этого сценария мы решили обучить модель классификации с помощью искусственной нейронной сети.
COMAU играет роль агрегатора для задачи федеративного машинного обучения, а в этом случае также роль первого участника. С другой стороны, ИНЖИНИРИНГ играет роль второго участника. Так, компания COMAU (расположенная в Турине) поставила задачу, выбрав MUSKETEER Privacy Operation Mode 1 (POM1), где данные не могут покинуть объекты участников, прогностические модели передаются без шифрования и искусственной нейронной сети в качестве алгоритма. При этом максимальное количество итераций было установлено равным 300, скорость обучения — 0,00015. Архитектура модели в виде нейронной сети представляет собой трехслойную нейронную сеть с 48, 16 и 3 единицами, настроенными на подготовительном этапе этой оценки.
После создания задачи, включая данные проверки и тестирования, COMAU присоединился к объединенному процессу в качестве участника, который предоставляет обучающие данные реального RobotBox. Наконец, ENGINEERING присоединился к той же задаче, предоставив обучающие данные виртуального RobotBox.
Объединенный обмен данными лучше, чем игра в одиночку
Глядя на правую часть диаграммы ниже, можно увидеть, что общая точность, полученная обученной моделью благодаря объединенной задаче с обоими RobotBox, составляет 89%, а соответствующая матрица путаницы очень диагональна. С другой стороны, в левой части рисунка точность модели, обученной только на данных реального RobotBox или только на данных виртуального RobotBox, ниже, соответственно 86% и 81%.
Davide Dalle Carbonare, Лаборатория технологий промышленности и безопасности, исследований и инноваций (IS3) Engineering Ingegneria Informatica spa
Кьяра Напионе, Цифровая инновационная инфраструктура, COMAU Spa
Лукреция Морабито, Цифровая инновационная инфраструктура, COMAU Spa
Этот проект получил финансирование от исследовательской и инновационной программы Horizon 2020 Европейского Союза в рамках соглашения о гранте № 824988.
*Рис. 2 обновлено 18.12.2020. В нем содержалась ошибка, которая теперь исправлена.
