[論文レビュー] A dissimilarity-based approach to predictive maintenance with application to HVAC systems

Riccardo Satta, Stefano Cavallari+4 more|arXiv (Cornell University)|Jan 13, 2017

Facilities and Workplace Management参考文献 27被引用数 14

ひとこと要約

本論文は、17台の同種機器から成る集団の運用データにおける相互差異を分析することにより、HVACシステムにおける予知保全のための差異に基づく機械学習手法を提案する。相互間の差異をモデル化することで、故障予測において最大0.96のAUCを達成し、実際の病院HVACデータにおいて優れた性能を示した。

ABSTRACT

The goal of predictive maintenance is to forecast the occurrence of faults of an appliance, in order to proactively take the necessary actions to ensure its availability. In many application scenarios, predictive maintenance is applied to a set of homogeneous appliances. In this paper, we firstly review taxonomies and main methodologies currently used for condition-based maintenance; secondly, we argue that the mutual dissimilarities of the behaviours of all appliances of this set (the "cohort") can be exploited to detect upcoming faults. Specifically, inspired by dissimilarity-based representations, we propose a novel machine learning approach based on the analysis of concurrent mutual differences of the measurements coming from the cohort. We evaluate our method over one year of historical data from a cohort of 17 HVAC (Heating, Ventilation and Air Conditioning) systems installed in an Italian hospital. We show that certain kinds of faults can be foreseen with an accuracy, measured in terms of area under the ROC curve, as high as 0.96.

研究の動機と目的

• 同種の家電機器の集団としての行動パターンを活用することで、状態基準保全システムにおける予知保全を向上させること。
• 個々のモデルが十分なデータを持たない複雑な実世界のHVACシステムにおける故障検出の課題に対処すること。
• システム測定値同士の相互差異を用いて、初期故障を検出する機械学習フレームワークを開発すること。
• 実際の病院HVAC設置施設の履歴データを用いて、本手法の実用的妥当性と性能を評価すること。
• 相互間の差異パターンが、システム劣化の信頼できる早期兆候として機能することを示すこと。

提案手法

• 本手法は、集団に属するすべてのHVAC機器の時系列測定値に基づき、相互の運用行動の差異を捉えた差異行列を構築する。
• 時間的差異に基づく表現学習アプローチを採用し、各システムの動作を差異空間内の点として扱う。
• 集団全体における同時差異を用いて、故障に先行する異常パターンを検出する。
• 差異特徴量に基づいて機械学習分類器を学習させ、故障発生を予測する。
• 個々の故障固有のモデルを必要とせず、集団の行動トレンドに依存する。
• 本手法は、17台のHVAC機器の1年間の履歴データを用いて評価され、主にAUCを評価指標として用いた。

実験結果

リサーチクエスチョン

• RQ1 HVACシステムの集団間での相互差異が、近い将来の故障を信頼性高く示唆できるか？
• RQ2 個々のシステムモデルと比較して、差異に基づく表現は故障検出においてどれほど有効か？
• RQ3 実世界のHVACデータにおいて、システム間の差異のみを用いてどの程度の予測精度が達成できるか？
• RQ4 本手法は、保守作業に十分なリードタイムを確保できるように、故障を事前に検出できるか？
• RQ5 本アプローチは、実病院環境におけるさまざまな種類のHVAC故障に一般化可能か？

主な発見

• 本手法は、特定の種類のHVAC故障を予測する際、受信器特性曲線下の面積（AUC）が最大0.96に達した。
• 個々の故障モデルを必要とせず、集団内の差異パターンのみを用いても、高精度で故障を検出できた。
• 異常な相互間差異ダイナミクスのシフトを検出することで、初期故障を効果的に同定できた。
• 本モデルは、実世界のHVAC運用で観察された多様な故障タイプにわたり、頑健性と一般化性能を示した。
• 集団行動の分析による差異指標が、予知保全の強力なシグナルであることが確認された。
• 故障データが各ユニットに限られる状況では、従来の個別システムモデルより本手法が優れた性能を示した。