Apprentissage fédéré pour l’IoT : application pour l’industrie 4.0

Dans l’industrie, les défaillances d’équipements entraînent des arrêts prolongés et des pertes financières conséquentes. Pour anticiper ces situations, la maintenance prédictive (MP) s’appuie sur des technologies avancées comme l’Internet des objets (IoT). Dans ce contexte, des capteurs intelligents mesurent en temps réel des paramètres tels que la température ou les vibrations, permettant ainsi de détecter des anomalies avant qu’elles n’engendrent des pannes critiques. Néanmoins, la volumétrie importante de données générées par ces capteurs pose des défis en termes de latence, de coûts de stockage et d’analyse à distance.Le Edge Computing offre une solution en traitant et en stockant localement les données, ce qui diminue la latence et optimise l’usage de la bande passante. Toutefois, la diversité des capteurs et des environnements rend difficile l’application de modèles d’apprentissage universels et leur mise à jour à grande échelle. Par ailleurs, l’accroissement constant du nombre d’objets connectés complique la gestion des modèles, chaque capteur ou groupe de capteurs pouvant nécessiter un modèle particulier à maintenir, synchroniser et optimiser dans un environnement distribué.Dans ce cadre, l’apprentissage fédéré (FL) apparaît comme une approche prometteuse. Il permet à plusieurs nœuds, tels que des capteurs IoT, d’entraîner collectivement un modèle global sans avoir à partager leurs données locales. Chaque nœud calcule des paramètres à partir de ses propres données et transmet ensuite ses résultats pour une agrégation centralisée, ce qui réduit les temps d’entraînement et d’inférence grâce aux calculs réalisés localement.Cependant, combiner Edge Computing et apprentissage fédéré soulève plusieurs enjeux. L’hétérogénéité des dispositifs et des contextes d’exploitation conduit à la génération de données non indépendantes et non identiquement distribuées (Non-IID), rendant l’agrégation du modèle global plus complexe. De plus, les ressources limitées des dispositifs Edge peuvent ralentir l’entraînement ou provoquer des interruptions dans le processus. La sélection judicieuse des nœuds participants s’avère donc cruciale, puisque des nœuds moins performants peuvent impacter la qualité du modèle final. Par ailleurs, la disparité en ressources et en délais d’entraînement entre les nœuds soulève la question de l’agrégation synchrone ou asynchrone et de ses effets sur la convergence du modèle.Cette thèse explore l’implémentation de l’apprentissage fédéré dans des environnements IoT en proposant quatre contributions majeures. La première contribution décrit une architecture fédérée adaptée aux réseaux IoT, précisant les interactions entre les niveaux Edge et Cloud. La seconde contribution présente une méthode d’agrégation par empilement, dénommée FedStack, qui adresse l’hétérogénéité des ressources tout en conservant la personnalisation des modèles pour chaque objet connecté. La troisième contribution développe une approche d’apprentissage fédéré groupé visant à mieux gérer l’hétérogénéité statistique des données. Ici, les données sont regroupées en fonction des comportements statistiques des participants afin de maximiser leur homogénéité. La quatrième contribution repose sur une validation expérimentale réalisée dans un cadre industriel, impliquant des convoyeurs à bande déployés dans divers aéroports. Cette étude de cas a permis de tester les approches proposées, notamment via une méthode de sélection contextuelle des nœuds Edge, tenant compte de la charge opérationnelle des aéroports pour déterminer les périodes optimales d’entraînement.