[論文レビュー] Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines

Sabtain Ahmad, Kevin Styp-Rekowski+2 more|arXiv (Cornell University)|Jan 27, 2021

Anomaly Detection Techniques and Applications参考文献 22被引用数 10

ひとこと要約

本論文は、ラベルなし健全データから正常動作を学習し、再構成誤差を用いて異常を検出することで、生の振動信号を用いた回転機器の状態監視および異常検出のためのLSTMオートエンコーダーに基づく教師なし手法を提案する。実世界のデータセットにおいて99.6%のF1スコアを達成し、手作業による特徴工学を省略しながらも、特徴工学に基づく手法を上回る異常検出性能を実現した。

ABSTRACT

Rotating machines like engines, pumps, or turbines are ubiquitous in modern day societies. Their mechanical parts such as electrical engines, rotors, or bearings are the major components and any failure in them may result in their total shutdown. Anomaly detection in such critical systems is very important to monitor the system's health. As the requirement to obtain a dataset from rotating machines where all possible faults are explicitly labeled is difficult to satisfy, we propose a method that focuses on the normal behavior of the machine instead. We propose an autoencoder model-based method for condition monitoring of rotating machines by using an anomaly detection approach. The method learns the characteristics of a rotating machine using the normal vibration signals to model the healthy state of the machine. A threshold-based approach is then applied to the reconstruction error of unseen data, thus enabling the detection of unseen anomalies. The proposed method can directly extract the salient features from raw vibration signals and eliminate the need for manually engineered features. We demonstrate the effectiveness of the proposed method by employing two rotating machine datasets and the quality of the automatically learned features is compared with a set of handcrafted features by training an Isolation Forest model on either of these two sets. Experimental results on two real-world datasets indicate that our proposed solution gives promising results, achieving an average F1-score of 99.6%.

研究の動機と目的

• ラベル付き故障データに依存しない、回転機器向けの教師なし異常検出手法の開発。
• 生の振動信号から顕著な特徴を自動的に学習することで、手作業による特徴工学の必要性を排除すること。
• LSTMオートエンコーダーからの潜在表現を活用することで、異常検出性能の向上を図ること。
• オートエンコーダーが学習した特徴が、Isolation Forestのような下流の検出モデルにおいて、手作業特徴を上回ることを示すこと。
• 正常動作状態のみをモデル化することで、これまでにない異常の検出を可能にすること。

提案手法

• 正常な振動信号のみを用いてLSTMオートエンコーダーを訓練し、健全状態の圧縮され意味のある表現を学習する。
• モデルは出力層で入力信号を再構成し、再構成誤差を異常スコアとして用いる。
• 未学習データの再構成誤差にしきい値手法を適用して異常を分類する。
• ボトルネック層からの潜在空間特徴を抽出し、比較のための下流のIsolation Forestモデルへの入力として用いる。
• FFTや手作業による特徴抽出などの前処理ステップを一切行わず、時間領域信号のまま処理を行う。
• 本フレームワークは、故障パターンが異なるが低頻度な異常を示す2つの実世界の回転機器データセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 正常な振動信号のみで訓練されたオートエンコーダーは、回転機器の未観測異常を効果的に検出できるか？
• RQ2 オートエンコーダーが学習した特徴に基づく異常検出性能と、手作業特徴に基づく性能とを比較するとどうなるか？
• RQ3 LSTMオートエンコーダーからの潜在表現は、信頼性の高い状態監視に十分な健康関連情報を捉えられるか？
• RQ4 手作業で特徴を設計したモデルと比較して、本手法は誤検出を低減できるか？
• RQ5 同様の故障モードを示す異なる回転機器間で、学習した特徴は一般化可能か？

主な発見

• 提案されたLSTMオートエンコーダーは、2番目の実世界データセットで平均99.6%のF1スコアを達成し、手作業特徴に基づくモデルを顕著に上回った。
• LSTMオートエンコーダーが抽出した特徴を用いたIsolation Forestモデル（AFE_IF）は、手作業特徴を用いたモデル（MFE_IF）よりも高い適合率と低い誤検出率を達成した。
• RM-3およびRM-5において、MFE_IFモデルは適合率（TPR）が1.0であったが、AFE_IFモデルははるかに少ない誤検出数で同様の適合率を達成しており、実用的な信頼性が優れていることが示された。
• LSTMオートエンコーダーの潜在表現は、従来の手作業特徴よりもシステムの健全性情報を効果的に捉えており、F1スコアの優位性（99.6% 対 97% および 93%）によって裏付けられた。
• IMSデータセットでは、4つの故障した軸受すべてを正常に検出できたことから、異なる故障タイプおよび機器タイプに対しても堅牢であることが示された。
• 故障種別についての事前知識がなくても効果的な異常検出が可能であるため、異常に希少かつ多様な実世界の展開に適している。