Federated Multi-Task Learning on Acoustic Signals for Predictive Maintenance
Author
Tilsted, Kristian Juul
Term
4. semester
Education
Publication year
2021
Submitted on
2021-06-04
Pages
95
Abstract
This thesis explores whether it is possible to build a federated multi-task learning algorithm with very low computational complexity and minimal communication needs for use in distributed predictive maintenance. In collaboration with Grundfos A/S, we work with acoustic data from their pumping systems. Federated learning trains models across multiple sites or devices without sharing raw data, and multi-task learning lets one model learn several related tasks at once. The aim is a solution that is gentle on both compute and network. We propose a new method and compare it with MOCHA, a state-of-the-art federated multi-task algorithm. We evaluate using receiver operating characteristic (ROC) curves and the area under the curve (AUC), where higher AUC is better. Across 9 tasks and 100 runs per algorithm, our method’s average AUC is 0.095 lower than MOCHA’s. However, its computational complexity is about 150 times lower, measured in floating-point operations (FLOPs). This highlights a clear trade-off between accuracy and resource use.
Dette speciale undersøger, om man kan udvikle en fødereret multiopgave-læringsalgoritme med meget lav beregningsmæssig kompleksitet og små kommunikationskrav til brug i distribueret prædiktiv vedligeholdelse. I et samarbejde med Grundfos A/S anvender vi akustiske data fra deres pumpesystemer. Fødereret læring betyder, at modeller trænes på tværs af flere enheder eller steder uden at dele rådata, og multiopgave-læring betyder, at én model lærer flere beslægtede opgaver samtidig. Målet er en løsning, der skåner både processorkraft og netværk. Vi foreslår en ny metode og sammenligner den med MOCHA, en anerkendt fødereret multiopgave-algoritme. Sammenligningen sker med ROC-kurver (receiver operating characteristic) og AUC (area under the curve), hvor højere AUC er bedre. På tværs af 9 opgaver og 100 kørsler pr. algoritme opnår vores metode i gennemsnit en AUC, der er 0,095 lavere end MOCHA. Til gengæld er den beregningsmæssige kompleksitet omkring 150 gange lavere målt i flydende kommatal-operationer (FLOPs). Resultatet peger på en tydelig afvejning mellem præcision og ressourceforbrug.
[This apstract has been rewritten with the help of AI based on the project's original abstract]