Predictive maintenance for vessel machinery using federated learning

Abstract

Maritime predictive maintenance (PdM) is increasingly supported by data-driven models trained on high-frequency shipboard sensor streams. However, most existing approaches are evaluated under centralized assumptions that are difficult to satisfy in operational maritime environments. Vessel data are distributed across ships, operators, routes, and machinery states; communication links are often intermittent or costly; onboard resources vary across clients; raw telemetry may be commercially sensitive; and model outputs must be technically defensible when used to support maintenance decisions. This thesis studies maritime PdM as a deployment-constrained distributed-learning problem rather than as an isolated supervised forecasting task. The thesis first reviews maritime maintenance strategies, PdM methodologies, and federated learning (FL) approaches, identifying five recurring barriers to practical adoption: data quality and availability, scalability and onboard resource constraints, security risks, model interpretability, and communication efficiency. It then addresses these issues through four complementary technical contributions. First, it introduces a resource-aware federated distillation framework for heavy-fuel-oil purifier remaining-useful-life prediction. Clients are assigned to resource tiers, full or pruned model variants are dispatched accordingly, and collaboration is performed through prediction-space aggregation over a server-available reference set. This enables heterogeneous model capacities while reducing repeated full parameter exchange. Second, it develops a Data Space-native hierarchical FL framework in which stewards act as aggregation and audit entities. The framework combines client-level differential privacy, steward-local secure aggregation, signed hash-chained manifests, CKKS protected steward-to-server payloads, and clipped adaptive server fusion, thereby quantifying the privacy–robustness–overhead trade-off of governed collaborative training. Third, it studies interpretability for cylinder-level exhaust gas temperature forecasting. It combines a BiLSTM encoder, deterministic attention pooling, a Kolmogorov–Arnold Network based nonlinear head, and residual forecasting, and evaluates not only predictive error but also the stability of SHAP-based feature rankings across federated clients. This analysis shows that models with similar accuracy can differ substantially in explanation coherence. Fourth, it addresses decentralized maritime learning under intermittent connectivity by introducing a carbon-aware orchestration layer over gossip-style training. The control plane schedules vessel participation, communication links, compression modes, mixingweights, and resynchronization actions, enabling accuracy–communication–carbon trade-off analysis over AIS-inspired topology regimes. Across these contributions, the thesis shows that maritime PdM cannot be assessed only by the predictive accuracy of a centralized model. The learning protocol, aggregation mechanism, privacy layer, resource profile, communication pattern, carbon footprint, and explanation behavior all affect whether a model is suitable for distributed maritime use. The main conclusion is that deployment constraints should be formulated, measured, and incorporated into the design of maritime PdM systems from the outset, supporting learning methods that are not only accurate, but also more communication-aware, privacy-conscious, interpretable, and operationally accountable.

Η προγνωστική συντήρηση στη ναυτιλία υποστηρίζεται ολοένα και περισσότερο από μοντέλα που εκπαιδεύονται σε ροές δεδομένων υψηλής συχνότητας από αισθητήρες πλοίων. Ωστόσο, οι περισσότερες υφιστάμενες προσεγγίσεις αξιολογούνται υπό κεντρικοποιημένες παραδοχές, οι οποίες είναι δύσκολο να ικανοποιηθούν σε πραγματικά ναυτιλιακά περιβάλλοντα λειτουργίας. Τα δεδομένα των πλοίων είναι κατανεμημένα μεταξύ διαφορετικών πλοίων, διαχειριστών, δρομολογίων και καταστάσεων μηχανικού εξοπλισμού. Παράλληλα, οι σύνδεσμοι επικοινωνίας είναι συχνά διαλείποντες ή δαπανηροί, οι υπολογιστικοί πόροι επί του πλοίου διαφέρουν μεταξύ των συμμετεχόντων κόμβων, η ακατέργαστη τηλεμετρία μπορεί να περιέχει εμπορικά ευαίσθητη πληροφορία, ενώ οι έξοδοι των μοντέλων πρέπει να είναι τεχνικά τεκμηριώσιμες όταν χρησιμοποιούνται για την υποστήριξη αποφάσεων συντήρησης. Η παρούσα διατριβή μελετά την προγνωστική συντήρηση στη ναυτιλία ως πρόβλημα κατανεμημένης μάθησης υπό περιορισμούς ανάπτυξης και λειτουργίας, και όχι μόνο ως ένα απομονωμένο πρόβλημα επιβλεπόμενης πρόβλεψης. Αρχικά, η διατριβή εξετάζει στρατηγικές συντήρησης στη ναυτιλία, μεθοδολογίες προγνωστικής συντήρησης και προσεγγίσεις συνεργατικής μάθησης, αναδεικνύοντας πέντε επαναλαμβανόμενα εμπόδια για την πρακτική αξιοποίησή τους: την ποιότητα και διαθεσιμότητα των δεδομένων, την κλιμακωσιμότητα και τους περιορισμούς υπολογιστικών πόρων επί του πλοίου, τους κινδύνους ασφάλειας, την ερμηνευσιμότητα και την εμπιστοσύνη στα μοντέλα, καθώς και την αποδοτικότητα των επικοινωνιών. Στη συνέχεια, τα ζητήματα αυτά αντιμετωπίζονται μέσω τεσσάρων συμπληρωματικών τεχνικών συνεισφορών. Πρώτον, το FLUID εισάγει ένα πλαίσιο συνεργατικής απόσταξης γνώσης προσαρμοσμένο στους διαθέσιμους πόρους για την πρόβλεψη του εναπομένοντος χρόνου ζωής καθαριστή βαρέος καυσίμου. Οι συμμετέχοντες κόμβοι αντιστοιχίζονται σε βαθμίδες πόρων, πλήρεις ή αραιωμένες παραλλαγές του μοντέλου αποστέλλονται ανάλογα με τις βαθμίδες αυτές, και η συνεργασία πραγματοποιείται μέσω συνάθροισης στον χώρο των προβλέψεων πάνω σε ένα σύνολο αναφοράς διαθέσιμο από την πλευρά του εξυπηρετητή. Με τον τρόπο αυτό υποστηρίζονται διαφορετικές χωρητικότητες μοντέλων και μειώνεται η ανάγκη επαναλαμβανόμενης ανταλλαγής πλήρων παραμέτρων. Δεύτερον, το FLoDS αναπτύσσει ένα ιεραρχικό πλαίσιο συνεργατικής μάθησης εγγενές σε Χώρους Δεδομένων, στο οποίο θεματοφύλακες (stewards) λειτουργούν ως ενδιάμεσες οντότητες συνάθροισης και ελέγχου. Το πλαίσιο συνδυάζει διαφορική ιδιωτικότητα σε επίπεδο πελάτη, ασφαλή συνάθροιση σε επίπεδο θεματοφύλακα, υπογεγραμμένα αρχεία καταγραφής ανά γύρο που συνδέονται μέσω αλυσίδας κατακερματισμού, προστασία των αρχείων που αποστέλλονται από τους θεματοφύλακες προς τον εξυπηρετητή μέσω CKKS, και προσαρμοστική συνάθροιση με περικοπή στο επίπεδο του εξυπηρετητή. Με τον τρόπο αυτό ποσοτικοποιείται ο συμβιβασμός μεταξύ ιδιωτικότητας, ανθεκτικότητας και συστημικού κόστους σε περιβάλλοντα συνεργατικής μάθησης με διακυβέρνηση. Τρίτον, το BEACON μελετά την ερμηνευσιμότητα για την πρόβλεψη της θερμοκρασίας καυσαερίων ανά κύλινδρο στην κύρια μηχανή. Συνδυάζει έναν κωδικοποιητή BiLSTM, μηχανισμό ντετερμινιστικής προσοχής και μη γραμμική κεφαλή βασισμένη σε δίκτυο Kolmogorov-Arnold (KAN), ενώ αξιολογεί όχι μόνο το σφάλμα πρόβλεψης αλλά και τη σταθερότητα των κατατάξεων χαρακτηριστικών που προκύπτουν από SHAP ανάλυση μεταξύ συνεργατικών πελατών. Η ανάλυση αυτή δείχνει ότι μοντέλα με παρόμοια ακρίβεια μπορούν να εμφανίζουν σημαντικές διαφορές ως προς τη συνοχή των εξηγήσεών τους. Τέταρτον, το CARGO εξετάζει την αποκεντρωμένη ναυτιλιακή μάθηση υπό διαλείπουσα συνδεσιμότητα, εισάγοντας ένα επίπεδο ενορχήστρωσης με επίγνωση του αποτυπώματος άνθρακα πάνω από εκπαίδευση τύπου gossip. Το επίπεδο ελέγχου προγραμματίζει τη συμμετοχή πλοίων, τους συνδέσμους επικοινωνίας, τους τρόπους συμπίεσης, τα βάρη ανάμειξης και τις ενέργειες επανασυγχρονισμού, επιτρέποντας την ανάλυση του συμβιβασμού μεταξύ ακρίβειας, επικοινωνίας και εκπομπών άνθρακα σε τοπολογικά σενάρια εμπνευσμένα από δεδομένα AIS. Συνολικά, οι συνεισφορές της διατριβής δείχνουν ότι η προγνωστική συντήρηση στη ναυτιλία δεν μπορεί να αξιολογείται μόνο με βάση την ακρίβεια πρόβλεψης ενός κεντρικοποιημένου μοντέλου. Το πρωτόκολλο μάθησης, ο μηχανισμός συνάθροισης, το επίπεδο ιδιωτικότητας, το προφίλ πόρων, το πρότυπο επικοινωνίας, το αποτύπωμα άνθρακα και η συμπεριφορά των εξηγήσεων επηρεάζουν την καταλληλότητα ενός μοντέλου για χρήση σε κατανεμημένα ναυτιλιακά περιβάλλοντα. Το βασικό συμπέρασμα είναι ότι οι περιορισμοί ανάπτυξης και λειτουργίας πρέπει να διατυπώνονται, να μετρούνται και να ενσωματώνονται εξαρχής στον σχεδιασμό συστημάτων προγνωστικής συντήρησης, υποστηρίζοντας μεθόδους μάθησης που δεν είναι μόνο ακριβείς, αλλά και περισσότερο αποδοτικές ως προς την επικοινωνία, ευαίσθητες σε ζητήματα ιδιωτικότητας, ερμηνεύσιμες και επιχειρησιακά τεκμηριώσιμες.