[論文レビュー] An Explainable Deep Learning-based Prognostic Model for Rotating Machinery

Namkyoung Lee, Michael H. Azarian+1 more|arXiv (Cornell University)|Apr 28, 2020

Machine Fault Diagnosis Techniques参考文献 26被引用数 11

ひとこと要約

本稿では、フーリエ変換、オクターブバンドフィルタリング、オートエンコーダー、およびフィードフォワードニューラルネットワークを組み合わせることで、回転機器の残存耐用年数（RUL）を予測する解釈可能なディープラーニングモデルを提案する。この手法は、入力信号をオクターブバンドにフィルタリングすることでモデルの複雑さを低減し、畳み込み層に類似した動作を実現するとともに、解釈可能性を高めつつも高いRUL予測精度を維持する。

ABSTRACT

This paper develops an explainable deep learning model that estimates the remaining useful lives of rotating machinery. The model extracts high-level features from Fourier transform using an autoencoder. The features are used as input to a feedforward neural network to estimate the remaining useful lives. The paper explains the model's behavior by analyzing the composition of the features and the relationships between the features and the estimation results. In order to make the model explainable, the paper introduces octave-band filtering. The filtering reduces the input size of the autoencoder and simplifies the model. A case study demonstrates the methods to explain the model. The study also shows that the octave band-filtering in the model imitates the functionality of low-level convolutional layers. This result supports the validity of using the filtering to reduce the depth of the model.

研究の動機と目的

• 回転機器のための高精度な残存耐用年数（RUL）予測を提供する予測モデルの開発。
• 特徴量の構成と特徴量とRUL推定値との関係を分析することで、モデルの解釈性を向上させること。
• 低レベルの畳み込み層の代わりにオクターブバンドフィルタリングを導入することで、モデルの複雑さと深さを低減すること。
• オクターブバンドフィルタリングがモデルを単純化しつつも性能を維持する有効性を検証すること。
• 事例研究と特徴量レベルの分析を通じて、モデルの解釈可能性を実証すること。

提案手法

• モデルは、原始的な振動信号にフーリエ変換を適用して周波数ドメイン表現を抽出する。
• フーリエ変換された信号にオクターブバンドフィルタリングを適用し、入力次元を低減するとともに、特徴学習を単純化する。
• オートエンコーダーは、フィルタリングされた周波数データから高レベルの圧縮特徴量を抽出する。
• 抽出された特徴量は、フィードフォワードニューラルネットワークに供給され、残存耐用年数（RUL）を予測する。
• 学習された特徴量の構成とRUL予測との関係を分析することで、モデルの解釈性を達成する。
• 実世界の回転機器データを用いた事例研究を通じて、ベースラインモデルと比較して性能と解釈性を検証する。

実験結果

リサーチクエスチョン

• RQ1 回転機器のRUL予測に用いるディープラーニングモデルは、どのようにしてより解釈可能にすることができるか？
• RQ2 オクターブバンドフィルタリングは、予測性能を維持しつつ、どの程度モデルの複雑さを低減できるか？
• RQ3 オクターブバンドフィルタリングは、信号処理における低レベルの畳み込み層の機能を効果的に模倣できるか？
• RQ4 オートエンコーダーから学習された特徴量は、最終的なRUL予測とどのように関係しているか？
• RQ5 特徴量レベルの解釈可能性は、産業現場におけるモデルの信頼性と実用性にどのような影響を与えるか？

主な発見

• オクターブバンドフィルタリングにより、オートエンコーダーの入力サイズが効果的に低減され、モデルアーキテクチャが単純化された。
• フィルタリングプロセスは、低レベルの畳み込み層の動作を模倣しており、軽量な代替手段としての有効性が裏付けられた。
• 特徴量分析を通じて、解釈性を維持しつつも、高いRUL予測精度を達成した。
• 特徴量の構成分析により、周波数成分と残存耐用年数との間には意味のある関係が明らかになった。
• 事例研究では、モデルの予測が高精度かつ解釈可能であることが示され、実世界の予測保守への導入を支持するものとなった。
• フィルタリングとオートエンコーダーの統合により、モデルの深さ、性能、解釈性のバランスが実現された。