[論文レビュー] Data-Driven Fault Detection and Isolation Enhanced with System Structural Relationships (DX Competition)

D. Jung, Diaz-Gonzalez, Abel+2 more|arXiv (Cornell University)|Jan 1, 2025

Fault Detection and Control Systems被引用数 6

ひとこと要約

本論文は、物理的システム構造をグレイボックス再帰的ニューラルネットワーク（RNN）に統合することで、異常検出および故障隔離を向上させるデータ駆動型故障診断手法を提案する。システムモデルの二部グラフ表現を用いることで、定常状態データのみでトレーニングされたRNNベースの残差生成器を自動的に設計し、未知の故障クラスの検出が可能となり、構造的感受応マッピングにより故障隔離性能が向上する。本手法は、内燃機関の試験ベンチにおいて、CUSUMを用いた残差処理により微小または一時的な故障の検出性能が向上し、強固な故障検出を実現した。

ABSTRACT

Fault detection and isolation are becoming increasingly important as modern systems become more complex. To encourage the development of new fault detection solutions that can operate with limited noisy data and an incomplete mathematical model, the DX 2025 LiU-ICE competition for diagnosis of the air path of an internal combustion engine was introduced. In this paper, we present our winning solution to this competition. Our fault detection architecture starts with a semi-supervised Transformer Autoencoder trained to reconstruct nominal data. Detected faults are then passed through a rule-based fault persistence filter that aims to suppress false positives. Once a fault is detected, we use four neural networks trained to estimate features determined from structural analysis of a partial system model. The residuals of these networks are fed to a supervised fault classification network that estimates the fault probabilities. With this architecture, we achieved an 87% detection rate with a 0% false alarm rate on the provided competition data. Additionally, our isolation architecture assigned the correct fault 73.8% probabilty on average. On unseen competition data from a new driving cycle, we achieved a 100% detection rate and assigned the correct fault 66.2% probability on average. On the other hand, the Transformer Autoencoder failed to transfer to the new driving conditions, causing many false alarms. We discuss ways future work can reduce this.

研究の動機と目的

• データ駆動型故障診断における限られたおよび不均衡なトレーニングデータの課題に取り組むこと、特に未知の故障クラスに対して有効であることを目的とする。
• 完全にデータ駆動型（ブラックボックス）モデルの限界を克服するため、ニューラルネットワーク設計に物理的知見を組み込むこと。
• システムの物理的構造を反映するRNNベースの残差生成器を自動的に生成する手法を開発すること。
• システムモデルにおける構造的関係を活用することで、故障検出および故障隔離の性能を向上させること。
• 異常分類および残差パターン解析を用いて、未知の故障クラスの検出を可能とすること。

提案手法

• 変数間の定性的な物理的関係を符号化するため、システムを二部グラフモデルで表現する。
• 構造的モデルを用いて、物理的サブシステムおよび入出力依存関係を反映するグレイボックスRNNアーキテクチャを自動的に設計する。
• 各RNN残差生成器を、定常状態（故障なし）データのみでトレーニングし、異常分類器を構築する。
• 時間的偏差の蓄積により、微小または一時的な故障の検出性能を向上させるために、残差時系列にCUSUMテストを適用する。
• 構造的モデルの関係を用いて、残差のトリガーを物理的部品にマッピングすることで、故障隔離を可能にする。
• 一時的運転状態を含む実内燃機関試験ベンチを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 物理的システム構造を、故障診断のためのデータ駆動型残差生成器を体系的に設計するために、どのように活用できるか。
• RQ2 定常状態データでのトレーニングが可能なグレイボックスRNNは、未知の故障クラスを検出可能でありつつ、故障隔離能力を維持できるか。
• RQ3 構造的関係を組み込むことで、ブラックボックスモデルと比較して、故障検出性能がどの程度向上するか。
• RQ4 CUSUMテストによる時系列処理は、低信号状態における残差ベースの故障検出をどの程度向上させるか。
• RQ5 残差パターンを物理的部品に信頼性高くマッピングできるか。

主な発見

• 提案手法は、エンジンの空気路の構造的モデルに基づき、8つの異なるグレイボックスRNN残差生成器を効果的に生成した。
• 定常状態データのみでトレーニングされた残差生成器は、既知の故障クラスおよび未知の故障クラスの両方を効果的に検出でき、異常分類の有効性を示した。
• CUSUMテストにより、時間的偏差の蓄積が可能となり、故障検出性能が顕著に向上し、誤報率が低下し、微小故障の早期検出が可能になった。
• センサー出力に直接影響を与える故障は、より高い感度で検出されたが、温度のようなゆっくり変化する信号は、適切な励起を得るための延長されたデータカバレッジを必要とした。
• 構造的モデルを介した残差パターンのマッピングにより、特定の部品に起因する故障を特定可能とし、原因究明を支援した。
• 本手法は、一時的運転状態下でも強固な性能を発揮し、故障データが限られる実産業界システムへの適用可能性を検証した。