Використання федеративного навчання з координатними мітками для AR-моделювання термодинамічних процесів у межах промислових трубопровідних мереж

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.

The described work focuses on the development of an intelligent predictive thermal control system for industrial pipelines based on federated learning. The main emphasis is placed on implementing a decentralized architecture in which edge devices (local computing modules such as NVIDIA Jetson Nano) independently train models without transmitting raw sensor data to a central server. To process time series of sensor information-including temperature differentials, flow rate, and solute concentration-Temporal Convolutional Networks (TCNs) are employed, enabling parallel convolutional forecasting without recurrence. For local anomaly detection, an ensemble XGBoost model is used, allowing the computation of a numerical deviation score for thermodynamic profiles. A node’s participation in the global federated learning cycle is initiated based on its own temporal anomaly score, which determines the degree of deviation between the current model and local observations. If this score exceeds a threshold, the node generates a model update, encrypts it, and transmits it to the aggregator. Post-aggregation updates occur through weighted blending of the global model with the local one, followed by a brief phase of localized retraining. Spatial binding is achieved via AR markers containing a unique 40-bit identifier encoded in the center of an 8 × 8 binary matrix. To validate the architecture, a digital twin was implemented in Unity3D, simulating thermodynamic processes using approximated Navier-Stokes equations. Each pipeline segment is linked to a corresponding edge node, which exchanges data in real time via gRPC. The efficiency of marker detection algorithms was tested under conditions of simulated blur and varying illumination. AR visualization was realized based on thermal trajectory mapping, enabling intuitive display of risk zones and dynamic anomalies within the pipeline. Future research may focus on scaling the system for multi-level pipeline networks, expanding the range of monitored parameters, and implementing adaptive optimization of thermal regimes through multi-agent coordination.