[論文レビュー] Data fusion techniques for fault diagnosis of industrial machines: a survey

Amir Eshaghi Chaleshtori, Abdollah aghaie|arXiv (Cornell University)|Nov 17, 2022

Fault Detection and Control Systems被引用数 6

ひとこと要約

本サーベイは、産業機械の故障診断におけるデータ統合技術をレビューし、データ、特徴、意思決定の3レベルの統合戦略を分類することで、予測保全の向上を図る。信号処理およびビッグデータ分析分野の最新の進展を統合し、産業的故障診断システムにおける構造的分類体系を提示するとともに、主な課題と今後のトレンドを特定する。

ABSTRACT

In the Engineering discipline, predictive maintenance techniques play an essential role in improving system safety and reliability of industrial machines. Due to the adoption of crucial and emerging detection techniques and big data analytics tools, data fusion approaches are gaining popularity. This article thoroughly reviews the recent progress of data fusion techniques in predictive maintenance, focusing on their applications in machinery fault diagnosis. In this review, the primary objective is to classify existing literature and to report the latest research and directions to help researchers and professionals to acquire a clear understanding of the thematic area. This paper first summarizes fundamental data-fusion strategies for fault diagnosis. Then, a comprehensive investigation of the different levels of data fusion was conducted on fault diagnosis of industrial machines. In conclusion, a discussion of data fusion-based fault diagnosis challenges, opportunities, and future trends are presented.

研究の動機と目的

• 産業機械の故障診断に応用されたデータ統合技術の包括的分類を提供すること。
• 故障検出精度の向上を目的とした、複数レベルのデータ統合（データレベル、特徴レベル、意思決定レベル）の最新動向を分析すること。
• 予測保全におけるデータ統合の分野における主な課題、機会、および新たな研究動向を同定すること。
• 研究者および実務家が産業的故障診断分野におけるテーマ的側面と技術的進化を理解するのを支援すること。
• 体系的な文献レビューを通じて、信号処理、ビッグデータ分析、産業応用の間のギャップを埋めること。

提案手法

• 2010年から2022年までの最近の文献に焦点を当てた体系的レビュー。
• データ統合技術を3つのレベルに分類：データレベル統合、特徴レベル統合、意思決定レベル統合。
• ウェーブレット変換、経験的モード分解、ディープラーニングなどの信号処理手法を用いた特徴抽出の分析。
• 加重平均、デムプスター・シャーファ理論、ベイジアンネットワーク、ニューラルネットワークなどの統合アルゴリズムの評価。
• ビッグデータ分析および機械学習フレームワークを統合し、統合性能とスケーラビリティを向上させること。
• リアルタイム、マルチセンサー、複雑な産業環境におけるトレンド、制限要因、未解決の課題の統合的分析。

実験結果

リサーチクエスチョン

• RQ1 現代の産業機械の故障診断システムで一般的に用いられている主要なデータ統合戦略は何か？
• RQ2 データレベル統合、特徴レベル統合、意思決定レベル統合の各技術は、精度、耐障害性、計算コストの観点からどのように比較されるか？
• RQ3 ビッグデータ分析および機械学習は、予測保全におけるデータ統合の発展にどのように寄与しているか？
• RQ4 実際の産業現場でのデータ統合の実装における主な課題は何か？
• RQ5 産業的故障診断におけるデータ統合分野で浮上している今後の研究動向は何か？

主な発見

• 複数のセンサーや情報源からの情報を統合することで、データ統合は故障診断の精度を顕著に向上させる。
• 特にディープラーニングと時間周波数解析を用いた特徴レベル統合は、複雑な故障検出において優れた性能を示す。
• ベイジアンネットワークなどの確率的モデルを用いた意思決定レベル統合は、不確実性やノイズが多い環境でも信頼性を高める。
• 複数のレベルを統合したハイブリッド統合フレームワークは、単一レベルのアプローチに比べ、より高い耐障害性と適応性を示す。
• ビッグデータ分析およびリアルタイム処理は、スケーラブルで実装可能な産業的故障診断システムの実現に不可欠な要因である。
• 進展は見られるものの、標準化、解釈可能性、異種産業システムへの導入における課題は依然として残っている。