DESENVOLVIMENTO DE UMA ARQUITETURA PARA COMUNICAÇÃO DE MODELOS DE APRENDIZAGEM DE MÁQUINAS NO CONTEXTO DA APRENDIZAGEM FEDERADA

INTRODUÇÃO: O crescimento na adoção de veículos elétricos tem elevado a demanda por baterias de íons de lítio e, consequentemente, acaba gerando o desafio de lidar com o fim de sua vida útil veicular. Baterias que atingem cerca de 80% de sua capacidade original deixam de atender aos requisitos automotivos, mas ainda podem ser reaproveitadas em sistemas de armazenamento de energia estacionários, os chamados sistemas de segunda vida. A heterogeneidade entre células provenientes de diferentes veículos, aliada à necessidade de preservar a confidencialidade dos dados, torna o aprendizado federado, ou do inglês federated learning (FL) uma alternativa promissora para o gerenciamento inteligente dessas baterias, uma vez que permite treinar modelos de forma descentralizada sem compartilhar os dados brutos. O principal desafio do aprendizado federado em cenários com baterias e dispositivos de poder computacional heterogêneo é garantir uma comunicação eficiente entre os participantes, já que fatores como instabilidade de rede e sombreamento comprometem a transmissão de modelos e aumentam a latência do treinamento distribuído. OBJETIVOS: Portanto, este trabalho teve como objetivo geral implementar e construir uma arquitetura para comunicação de pesos e modelos em um cenário de aprendizagem federada aplicada a baterias de íons de lítio de segunda vida, contemplando o estudo de protocolos de comunicação, a criação de uma estrutura para armazenamento do modelo global e a implementação, validação e teste da arquitetura proposta. MATERIAIS E MÉTODO: A pesquisa foi conduzida em cinco etapas, envolvendo revisão da literatura, elaboração do protocolo experimental, preparo do ambiente computacional, execução de testes e elaboração do relatório final. A arquitetura desenvolvida é organizada em três camadas hierárquicas, sendo elas: Dispositivos, Edge e Nuvem, utilizando microcontroladores ESP32 para aquisição de dados, um Raspberry Pi 3 como servidor de borda responsável pelo treinamento dos modelos locais e pela comunicação via protocolo MQTT, e o Apache Kafka para a troca assíncrona de parâmetros entre o Raspberry Pi e a nuvem. RESULTADOS: O desenvolvimento realizado possibilitou a implementação de todo o ciclo de aprendizagem federada, desde a simulação da aquisição de dados de cinco células de bateria até o treinamento de modelos locais, a comunicação dos parâmetros por meio de mensagens Kafka codificadas em Base64, a agregação ponderada pelo erro quadrático médio de cada modelo para geração do modelo global, a atualização parcial dos modelos locais e a distribuição via MQTT aos dispositivos ESP32, que passaram a executar a inferência do estado de carga (SOC) das baterias. A validação demonstrou a viabilidade da arquitetura proposta para aplicações de aprendizagem federada em sistemas embarcados heterogêneos. CONSIDERAÇÕES FINAIS: Os resultados obtidos confirmam que a combinação de uma arquitetura hierárquica cloud-edge com protocolos leves de comunicação (MQTT e Kafka) é uma abordagem eficaz para viabilizar o treinamento colaborativo de modelos em cenários distribuídos de gerenciamento de baterias de segunda vida, abrindo caminho para trabalhos futuros voltados à avaliação de desempenho em redes reais instáveis e à publicação dos resultados obtidos.

PALAVRAS-CHAVE: Aprendizagem Federada; Baterias de íons de lítio; Computação de borda; Apache Kafka.