Core Concepts
フェデレーテッド転移学習とタスク個別化を組み合わせることで、超音波金属溶接の状態監視モデルの汎化性能を向上させることができる。
Abstract
本研究では、超音波金属溶接(UMW)における状態監視(CM)の課題に取り組むため、フェデレーテッド転移学習とタスク個別化(FTL-TP)のフレームワークを提案した。
UMWプロセスの異常(例えば、工具の劣化や被溶接物表面の汚染)は溶接品質を大きく低下させるため、CMは非常に重要である。
機械学習モデルはCMに有望な手段だが、十分な訓練データの収集が困難であり、また新しい設定(ドメイン)に適用できないという課題がある。
FTL-TPは、データプライバシーを保ちつつ、ドメイン間の知識を転移することで、新しいドメインでの適応性を高める。
具体的には、共通の特徴表現を学習する基底層と、各ドメインに特化した上位層から成るニューラルネットワークモデルを構築する。
実験では、FTL-TPが従来のフェデレーテッド学習手法に比べて5.35%~8.08%の精度向上を示した。また、不均衡なデータ分布や限られたクライアント数の条件下でも良好な性能を発揮した。
さらに、エッジ-クラウドアーキテクチャ上でFTL-TPを実装し、実用的かつ効率的であることを示した。
FTL-TPフレームワークは、他の製造アプリケーションにも容易に拡張できる。
Stats
工具の劣化と被溶接物表面の汚染は超音波金属溶接の品質に大きな影響を及ぼす。
超音波金属溶接の品質は、プロセスの異常によって大きく低下する可能性がある。
Quotes
データ共有によるプライバシーの懸念から、産業界での協調学習が阻害されている。
機械学習モデルの汎化性能の低さと、新しい設定への適用困難性が課題となっている。