Labmedya - Laboratuvar ve Sağlık Gazetesi

UFDL-Edge adı verilen mimari, farklı üretim tesislerinde bulunan verileri merkezi bir havuzda toplamadan ortak model eğitmeyi hedefliyor. Sistem belirsizlik duyarlı özellik algılayıcılarını zamansal HDFS tabanlı veri akışıyla birleştiriyor. Böylece farklı tesislerdeki verilerin egemenliği korunurken modelin yeni çalışma koşullarına ve hata örüntülerine uyarlanması amaçlanıyor.

Hiyerarşik federatif öğrenme yaklaşımında, kötü niyetli veya hatalı istemcilerin ortak modeli bozmasına karşı Byzantine dayanıklı birleştirme ve belirsizlik nicelendirmesi birlikte kullanıldı. Bu yapı, modelin yalnızca bir hata sınıfı tahmini üretmesi yerine, tahminin güvenilirliği hakkında da bilgi vermesini sağlıyor. Özellikle soğuk başlangıç, su basması, termal kontrol bozukluğu ve katalizör degradasyonu gibi farklı olayların aynı sistemde izlenmesi hedeflendi.

Üç akıllı üretim test düzeneğinde yapılan büyük ölçekli deneylerde sistem, ilk anomali saptama F1 puanını yüzde 10,3 artırdı. Yanlış pozitif oranı yüzde 23,7 azaldı ve gerçek zamanlı tanı gecikmesi 100 milisaniyenin altında kaldı. Bu sonuçlar, veri gizliliği korunurken fabrika ölçeğinde hızlı arıza teşhisinin mümkün olabileceğini gösteriyor.

Model performansı test düzeneklerindeki koşullara bağlı; gerçek üretim hatlarında sensör arızaları, ağ gecikmeleri ve görülmemiş hata türleri ek doğrulama gerektirebilir. Federatif öğrenme de veri gizliliğini otomatik olarak garanti etmez; güvenli iletişim, erişim kontrolü ve saldırı testleri gerekir. Çalışma yine de yakıt hücresi bakımının arıza sonrası müdahaleden erken uyarıya taşınması için teknik bir çerçeve sunuyor.

Kaynak: https://www.nature.com/articles/s41598-026-51217-3