[論文レビュー] Application of Deep Learning for Predictive Maintenance of Oilfield Equipment

Abdeldjalil Latrach|arXiv (Cornell University)|Jan 1, 2020

Oil and Gas Production Techniques被引用数 4

ひとこと要約

本学位論文は、センサー情報に基づき、信号処理とニューラルネットワークを統合することで、油田設備の予知保全のためのディープラーニングベースのフレームワークを提案する。振動信号の画像化に基づく畳み込みニューラルネットワーク（CNN）を用いて故障分類をほぼ完璧に達成し、ベンチマークデータセットを用いたLSTMおよび全結合ネットワークによるRUL予測において高い精度を示した。

ABSTRACT

This thesis explored applications of the new emerging techniques of artificial intelligence and deep learning (neural networks in particular) for predictive maintenance, diagnostics and prognostics. Many neural architectures such as fully-connected, convolutional and recurrent neural networks were developed and tested on public datasets such as NASA C-MAPSS, Case Western Reserve University Bearings and FEMTO Bearings datasets to diagnose equipment health state and/or predict the remaining useful life (RUL) before breakdown. Many data processing and feature extraction procedures were used in combination with deep learning techniques such as dimensionality reduction (Principal Component Analysis) and signal processing (Fourier and Wavelet analyses) in order to create more meaningful and robust features to use as an input for neural networks architectures. This thesis also explored the potential use of these techniques in predictive maintenance within oil rigs for monitoring oilfield critical equipment in order to reduce unpredicted downtime and maintenance costs.

研究の動機と目的

• センサー情報に基づくデータ駆動型の予知保全モデルを、ディープラーニングを用いて開発すること。
• 振動信号処理と畳み込みニューラルネットワーク（CNN）を用いて軸受の故障を診断し、故障タイプを分類すること。
• 再帰的および全結合ニューラルネットワークを用いて、機械的システムの残存耐用期間（RUL）を予測すること。
• センサー情報とニューラルネットワークを用いた、オイルレッグのトップドライブの監視のための実用的実装フレームワークを提案すること。
• 信号変換技術（例：ウェーブレットスケログラム）がディープラーニングモデルの入力特徴としてどの程度有効であるかを評価すること。

提案手法

• 公的データセット（NASA C-MAPSS、Case Western Reserve Universityの軸受データ、FEMTO軸受）を用いて、モデルの学習と評価を実施した。
• フーリエ解析、ウェーブレット変換（CWT）、時間周波数解析などの信号処理技術を適用し、生の振動信号から意味のある特徴を抽出した。
• 振動信号を画像（例：スケログラム）に変換することで、CNNを用いた故障分類を可能にした。
• センサー情報に全結合ニューラルネットワークおよび長短期記憶（LSTM）ネットワークを訓練し、RULを予測した。
• 主成分分析（PCA）による次元削減を実施し、特徴のロバスト性を向上させるとともに、入力次元を低減した。
• 複数のセンサーを統合したトップドライブの監視戦略を設計し、振動、温度、圧力、流量センサーを組み合わせて包括的な健全性評価を実現した。

実験結果

リサーチクエスチョン

• RQ1 センサー情報に基づくディープラーニングモデルは、油田設備の残存耐用期間（RUL）を効果的に予測できるか？
• RQ2 LSTM、CNN、フィードフォワードなどの異なるニューラルネットワークアーキテクチャは、振動信号から軸受の故障をどの程度効果的に診断できるか？
• RQ3 ウェーブレット変換などの信号処理技術は、予後診断におけるディープラーニングモデルの特徴表現をどの程度向上させるか？
• RQ4 変換された振動信号（例：スケログラム）は、CNNの入力として故障タイプおよび直径の分類に効果的に使用できるか？
• RQ5 これらのディープラーニング技術を、オイルレッグのトップドライブにおけるリアルタイム監視に適用する可能性と実用的影響は何か？

主な発見

• CNNモデルは、変換された振動信号画像においてほぼ完璧な分類精度を達成し、異なる故障タイプおよび直径を明確に区別できた。
• LSTMネットワークは、全結合ネットワークと比較してRUL予測性能を顕著に向上させ、時間的劣化パターンを効果的に捉えていた。
• 連続ウェーブレット変換（CWT）を用いたスケログラムの生成は、故障分類に向けた強固で情報豊富な入力表現を提供した。
• フーリエ解析やウェーブレット変換などの信号処理技術は、生の振動信号から特徴を効果的に抽出できた。
• トップドライブ監視のための提案されたフレームワークは、既存のセンサーインfraストラクチャとディープラーニングを組み合わせた予知保全の実装に現実的かつ有効な道筋を示した。
• PCAによる次元削減は、予測性能に顕著な損失を伴わず、モデルの一般化能力を向上させるとともに、計算負荷を低減した。