[論文レビュー] An Automated Auto-encoder Correlation-based Health-Monitoring and Prognostic Method for Machine Bearings

Ramin Hasani, Guodong Wang+1 more|arXiv (Cornell University)|Mar 18, 2017

Machine Fault Diagnosis Techniques参考文献 9被引用数 36

ひとこと要約

本稿では、振動データから特徴を豊富に抽出するスパースオートエンコーダを用い、その後相関分析と移動平均フィルタを適用して、自己符号化器相関ベース（AEC）レートを計算する、自動的かつ教師なしの機械軸受の健全性モニタリングおよび予後予測手法を提案する。このAEC手法は、複数のラン・トゥ・フェイルテストにおいて、劣化の開始を高精度に検出でき、98.51％の高い正確性を達成しており、事前知識や手作業による特徴工学的設計を一切必要としない強力な汎用性と自律性を示している。

ABSTRACT

This paper studies an intelligent ultimate technique for health-monitoring and prognostic of common rotary machine components, particularly bearings. During a run-to-failure experiment, rich unsupervised features from vibration sensory data are extracted by a trained sparse auto-encoder. Then, the correlation of the extracted attributes of the initial samples (presumably healthy at the beginning of the test) with the succeeding samples is calculated and passed through a moving-average filter. The normalized output is named auto-encoder correlation-based (AEC) rate which stands for an informative attribute of the system depicting its health status and precisely identifying the degradation starting point. We show that AEC technique well-generalizes in several run-to-failure tests. AEC collects rich unsupervised features form the vibration data fully autonomous. We demonstrate the superiority of the AEC over many other state-of-the-art approaches for the health monitoring and prognostic of machine bearings.

研究の動機と目的

• 事前知識や手動による干渉なしに、完全に自動化され、教師なしの機械軸受の健全性モニタリングおよび予後予測手法を開発すること。
• 手作業による特徴設計に依存せずに、生の振動センサデータから豊富で情報量の多い特徴をスパースオートエンコーダを用いて抽出すること。
• 多様なラン・トゥ・フェイル実験において、軸受の劣化開始点を高い感度と正確性で正確に特定すること。
• 故障の進行を時間経過とともに反映する連続的で知的な健全性状態のトレンドを提供すること。
• 異なる軸受タイプやテスト条件にわたって汎用性を示し、耐障害性と普遍的な適用可能性を確保すること。

提案手法

• 生の振動データを入力として、スパースオートエンコーダを訓練し、入力センサ信号から深層的で教師なしの特徴を抽出する。
• 初期（おそらく健全な）サンプルの特徴とその後のサンプルの特徴との間のピアソン相関を、時間経過とともに計算する。
• 相関系列を移動平均（MA）フィルタに通して、変動を平滑化しノイズを低減する。
• フィルタ出力を正規化して、自己符号化器相関ベース（AEC）レートを生成し、システムの健全性状態を表す。
• AECレートを用いて劣化トレンドをモニタリングし、故障開始点を高精度に検出する。
• この手法は完全に自律的に動作し、手作業による特徴選択やドメイン特化のチューニングを一切必要としない。

実験結果

リサーチクエスチョン

• RQ1 教師なしのディープラーニング手法は、事前知識なしに生の振動データから意味のある特徴を抽出できるか？
• RQ2 初期と変化する特徴表現の間の相関は、軸受の劣化開始を信頼性高く示せるか？
• RQ3 提案されたAEC手法は、最先端の手法と比較して、故障開始点の検出においてどの程度高い正確性を示すか？
• RQ4 AEC手法は、異なる軸受条件を有する多様なラン・トゥ・フェイル実験にどの程度汎用性を示すか？
• RQ5 AECレートは、故障の進行を反映する連続的で解釈可能な健全性状態トレンドを提供できるか？

主な発見

• S1B4-sensor2では、AEC手法が劣化開始点の特定において98.51％の予測正確性を達成し、全テスト実験の中で最高の正確性を示した。
• S3B3では、98.47％の正確性で故障開始点を予測し、異なる軸受タイプやテスト条件にわたって強力な汎用性を示した。
• AECレートは、図5に色分けされた健全性状態の進化を明確に示す6つのラン・トゥ・フェイル実験すべてで、故障の進行トレンドを的確に捉えた。
• 表4における定性的および定量的比較により、AEC手法は複数の最先端手法を上回る故障検出感度と自動化性能を示した。
• AECアルゴリズムは完全な自律性と教師なしの動作を示し、いかなる手作業の前処理やラベル付きデータも必要としなかった。
• S1B3、S1B4、S2B1、S3B3を含む多様な軸受データセットにおいて、一貫した高い性能を示し、耐障害性を確認した。