Industry 4.0 represents a significant shift in the industrial landscape, aimed at improving efficiency, productivity, and competitiveness. This shift involves the digitalization of industries, impacting manufacturing and maintenance processes. A pivotal element of this transformation is the development of Cyber-Physical Systems (CPS) that seamlessly connect the physical factory floor with the digital realm. These systems monitor real-time data from the physical world and prepare feedback from the digital space, necessitating the harmonious integration of computation and communication, especially through wireless technology. Simultaneously, Machine Learning (ML) methods are advancing across various domains. The proliferation of wireless sensors and the Internet of Things, particularly within the CPS framework, generates substantial data. To address challenges such as latency, device resource limitations, and privacy concerns associated with centralized cloud processing, there is a shift towards edge computing, enabling distributed learning algorithms.

This dissertation tackles these challenges with four innovative methods that combine wireless technology, control systems, and distributed ML in the context of Industry 4.0. These methods aim to harness the potential of this digital transformation, making Predictive Maintenance (PdM) in industries smarter and more efficient. The first method, parallel event-triggering, is designed for multi-agent systems in industrial environments. It utilizes distributed event-based state estimation to enhance control performance and reduce network resource consumption. The second and third methods are developed for collaborative PdM using wireless communication in a federated approach. The second method focuses on real-time anomaly detection while preserving asset privacy at the edge level, and the third method optimizes remaining useful life prediction from sequential data within a federated learning framework. Both federated approaches enhance efficiency, simplify communication, and improve local model convergence. The fourth method introduces an innovative approach to collaborative PdM, utilizing over-the-air computation at the edge level. This approach offers low latency and improved spectral efficiency. The optimization challenges at the edge level are addressed by using a modified gradient descent approach, which effectively handles noisy communication channels and improves the convergence of ML algorithms. All four methods proposed in this thesis underwent a comprehensive evaluation,and the experimental findings demonstrate their effectiveness in achieving their intended objectives.

Industri 4.0 representerar en betydande förändring i det industriella landskapet i syfte att förbättra effektivitet, produktivitet och konkurrenskraft. Denna förändring innebär en digital transformation av industrier, vilket påverkar tillverknings- och underhållsprocesser. En central del av denna transformation är utvecklingen av Cyber-fysiska system (CFS) som sömnlöst kopplar sammandet fysiska fabriksgolvet med den digitala världen. Dessa system övervakar realtidsdata från den fysiska världen och analyser från den digitala sfären, vilket kräver harmonisk integration av beräkning och kommunikation, särskilt genom trådlös teknik. Samtidigt utvecklas maskininlärningsmetoder inom olika områden. Spridningen av trådlösa sensorer och Internet of Things, särskilt inom CFS-ramverket, genererar betydande data. För att hantera utmaningar som latens, begränsade resurser hos lokala enheter och integritetsbekymmer kopplade till centraliserade molntjänster sker en övergång till beräkningar på nätverkets kant, även kallat edge computing, vilket möjliggör distribuerade inlärningsalgoritmer.

Denna avhandling tacklar dessa utmaningar med fyra innovativa metoder som kombinerar trådlös teknik, styrsystem och distribuerad maskininlärning inom ramen för Industri 4.0. Dessa metoder syftar till att utnyttja potentialen i denna digitala transformation och göra prediktivt underhåll i industrier smartare och effektivare. Den första metoden, parallell händelseutlösning, är utformad för fleragentssystem i industriella miljöer. Den använder distribuerad händelsebaserad tillståndsestimering för att förbättra reglerprestanda och minska förbrukning av nätverksresurser. De andra och tredje metoderna är utvecklade för att prediktivt underhåll och trådlös kommunikation skall samarbeta med ett federativt tillvägagångssätt. Den andra metoden fokuserar på avvikelsedetektering i realtids samtidigt som dataintegriteten bevaras på edge-nivå, och den tredje metoden optimerar förutsägelse av kvarvarande användbar livslängd från sekventiella data inom en federativ inlärningsram. Båda federativa tillvägagångssätten förbättrar effektiviteten, förenklar kommunikationen och förbättrar lokalt konvergensen av modeller. Den fjärde metoden introducerar ett innovativt tillvägagångssätt för samarbetsbaserat prediktivt underhåll, där over-the-air beräkningar används på edge-nivån. Denna metod erbjuder låg latens och effektivare utnyttjande av frekvensband. De utmaningar som finns på edge-nivån hanteras genom att använda en modifierad gradient descent metod, som effektivt hanterar brusiga kommunikationskanaler och förbättrar konvergensen av ML-algoritmer. Alla fyra metoder som föreslås i denna avhandling genomgick en omfattande utvärdering, och de experimentella resultaten visar deras effektivitet för att uppnå sina avsedda mål.