ВИКОРИСТАННЯ ФЕДЕРАТИВНОГО НАВЧАННЯ З КООРДИНАТНИМИ МІТКАМИ ДЛЯ AR-МОДЕЛЮВАННЯ ТЕРМОДИНАМІЧНИХ ПРОЦЕСІВ У МЕЖАХ ПРОМИСЛОВИХ ТРУБОПРОВІДНИХ МЕРЕЖ

Анотація

Робота присвячена створенню інтелектуальної системи предиктивного теплового контролю в промислових трубопроводах на основі федеративного навчання. Основна увага зосереджена на реалізації децентралізованої архітектури, в межах якої edge-пристрої (локальні обчислювальні модулі по типу NVIDIA Jetson Nano) самостійно навчають моделі без передавання сирих сенсорних даних до центрального сервера. Для обробки часових рядів сенсорної інформації, зокрема перепадів температур, швидкості потоку та концентрації речовин, використано Temporal Convolutional Networks (TCN), які забезпечують паралельне згорткове прогнозування без зворотного зв’язку. Для локального виявлення аномалій застосовано ансамблеву модель XGBoost, що дає змогу формувати чисельну оцінку відхилення термодинамічного профілю. Процес участі вузла у глобальному циклі федеративного навчання ініціюється на основі власної часової оцінки аномалій, яка визначає, наскільки поточна модель не відповідає локальним спостереженням. У разі перевищення порогу вузол формує оновлення моделі, шифрує його та передає до агрегатора. Постагрегаційне оновлення відбувається за допомогою змішування глобальної моделі з локальною через ваговий коефіцієнт, після чого проводиться коротка фазa локального донавчання. Просторова прив’язка реалізована через AR-мітки з унікальним 40-бітним ідентифікатором, закодованим у центрі 8 × 8 бінарної матриці. Для перевірки архітектури реалізовано цифровий двійник у Unity3D із симульованими термодинамічними процесами, з апроксимацією рівнянь Нав’є-Стокса. До кожного сегмента прив’язано edge-вузол, який в реальному часі обмінюється даними через gRPC. Ефективність алгоритмів просторового виявлення міток перевірено за умов симульованого розмиття та змін освітлення. AR-візуалізація була реалізована на основі теплової траєкторії, що дає змогу наочно відображати зони ризику та динамічні аномалії в межах трубопроводу. Подальші дослідження можуть бути спрямовані на масштабування системи для багаторівневих трубопровідних мереж, розширення кількості контрольованих параметрів та впровадження адаптивної оптимізації теплових режимів на основі мультиагентного узгодження.