[論文レビュー] A Multi-State Diagnosis and Prognosis Framework with Feature Learning for Tool Condition Monitoring

Chong Zhang, Geok Soon Hong+6 more|arXiv (Cornell University)|Apr 30, 2018

Advanced machining processes and optimization参考文献 54被引用数 5

ひとこと要約

本稿では、深層信念ネットワークを用いたマルチステート手法（DBNMS）を用いて、工具状態監視のためのマルチステート診断・予後（MDP）フレームワークを提案する。クラス不均衡問題を解消するため、コストセンシティブな深層信念ネットワーク（ECS-DBN）を採用し、各ステートごとに適合した劣化モデルを適用することで、従来の手法やディープラーニング手法と比較して、実際のガンドリル加工データにおいて優れた精度と頑健性を達成した。

ABSTRACT

In this paper, a multi-state diagnosis and prognosis (MDP) framework is proposed for tool condition monitoring via a deep belief network based multi-state approach (DBNMS). For fault diagnosis, a cost-sensitive deep belief network (namely ECS-DBN) is applied to deal with the imbalanced data problem for tool state estimation. An appropriate prognostic degradation model is then applied for tool wear estimation based on the different tool states. The proposed framework has the advantage of automatic feature representation learning and shows better performance in accuracy and robustness. The effectiveness of the proposed DBNMS is validated using a real-world dataset obtained from the gun drilling process. This dataset contains a large amount of measured signals involving different tool geometries under various operating conditions. The DBNMS is examined for both the tool state estimation and tool wear estimation tasks. In the experimental studies, the prediction results are evaluated and compared with popular machine learning approaches, which show the superior performance of the proposed DBNMS approach.

研究の動機と目的

• 従来の機械学習手法における、手作業による特徴量設計の限界や、異なる作業条件における一般化性能の低さを是正すること。
• 工具状態分類におけるデータの不均衡問題を克服するため、コストセンシティブな深層信念ネットワーク（ECS-DBN）を導入すること。
• 異なる健全状態（例：新品、進行的摩耗、加速摩耗）において工具摩耗劣化を別々にモデル化することで、予後精度を向上させること。
• 状態推定と残存耐用時間予測を統合したエンドツーエンドの診断・予後フレームワークを構築し、TBM性能を向上させること。
• 多様な工具形状と作業条件を有する実世界のガンドリルデータセットを用いて、フレームワークの妥当性を検証すること。

提案手法

• フレームワークは、クラス不均衡を重み付き誤差逆伝播を用いて処理するコストセンシティブな深層信念ネットワーク（ECS-DBN）を用いて、工具状態（例：新品、進行的摩耗、加速摩耗、摩耗済み）を分類する。
• 診断後、推定された現在の健全状態に応じて、状態固有の劣化モデルを選択し、予後予測を実行する。
• DBNMSフレームワークは、生のセンサ信号（力、トルク、振動、音響エミッション）から自動的に特徴表現を学習し、手作業による特徴量設計に依存しない。
• 時間窓処理を適用して時間的特徴を抽出し、それを深層信念ネットワークに供給することで、診断と予後を統合的に処理する。
• マルチステートモデリング戦略により、各健全状態に応じて異なる回帰モデルを適用可能とし、単一モデル手法と比較して予測精度を向上させる。
• 性能評価には10回の試行でRMSE、R2Score、MAPEを用い、SVM、ELM、Lasso、SGDを含む11種類のベンチマークアルゴリズムと比較した。

実験結果

リサーチクエスチョン

• RQ1 クラス不均衡が存在する状況下でも、ディープラーニングベースのマルチステートフレームワークが、工具状態分類の精度を向上させることができるか？
• RQ2 異なる健全状態において工具摩耗劣化を別々にモデル化することで、単一モデル手法と比較して、より優れた予後性能が得られるか？
• RQ3 実世界の工具状態監視において、本稿で提案するDBNMSフレームワークは、従来の機械学習手法および標準的なディープラーニング手法と比較して、精度と頑健性に優れているか？
• RQ4 生のセンサデータからの自動的特徴量学習が、異なる工具形状や作業条件にわたる一般化性能をどの程度向上させるか？

主な発見

• 提案されたDBNMSフレームワークは、テストデータでRMSEが52.03（±3.55）という最低値、R2Scoreが0.9431（±0.00）という最高値を達成し、すべての競合手法を上回った。
• MDPフレームワークは、従来のデータ駆動型フレームワーク（MLP-PCC: 118.71）と比較してRMSEを56％、ディープラーニングベースのDBNフレームワーク（198.35）と比較して74％低減した。
• 状態固有モデリングと自動的特徴量学習のおかげで、DBNMSモデルは多様な工具形状や作業条件において優れた頑健性と一般化性能を示した。
• 訓練時間は長め（6,296.26 ± 1,533.75秒）であったが、DBNMSは最も正確で安定した予測を実現し、産業的TBM応用への有効性を裏付けた。
• スムージングを施したMDPフレームワークはさらに性能を向上させ、RMSEが52.03、R2Scoreが0.9431を達成した。これは、洗練された状態推定の利点を示している。
• SVM、ELM、Lasso、SGDを含む11種類のベンチマークアルゴリズムすべての評価指標で、本フレームワークは優れた性能を示し、その頑健性と正確性を確認した。