[論文レビュー] Deep Learning and Its Applications to Machine Health Monitoring: A Survey

Rui Zhao, Ruqiang Yan+4 more|arXiv (Cornell University)|Dec 16, 2016

Anomaly Detection Techniques and Applications参考文献 64被引用数 149

ひとこと要約

この調査は、ディープラーニングモデル（AE、RBM/DBN/DBM、CNN、RNN）が機械の健全性モニタリングにどのように適用されているかを総括し、エンドツーエンド学習とデータ駆動の利点を従来の方法より強調する。

ABSTRACT

Since 2006, deep learning (DL) has become a rapidly growing research direction, redefining state-of-the-art performances in a wide range of areas such as object recognition, image segmentation, speech recognition and machine translation. In modern manufacturing systems, data-driven machine health monitoring is gaining in popularity due to the widespread deployment of low-cost sensors and their connection to the Internet. Meanwhile, deep learning provides useful tools for processing and analyzing these big machinery data. The main purpose of this paper is to review and summarize the emerging research work of deep learning on machine health monitoring. After the brief introduction of deep learning techniques, the applications of deep learning in machine health monitoring systems are reviewed mainly from the following aspects: Auto-encoder (AE) and its variants, Restricted Boltzmann Machines and its variants including Deep Belief Network (DBN) and Deep Boltzmann Machines (DBM), Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN). Finally, some new trends of DL-based machine health monitoring methods are discussed.

研究の動機と目的

• 現代の製造システムにおいて、物理ベースおよび手作り特徴設計の方法からデータ駆動のDLベースMHMSへ切り替える動機付け。
• DLアーキテクチャをMHMSに用い、raw dataから階層表現を学ぶ方法を要約する。
• 従来のデータ駆動型MHMSとDLベースMHMSを比較し、エンドツーエンド学習の利点を論じる。
• MHMSの故障診断と予後にDLモデルを適用する際の指針を提供する。

提案手法

• オートエンコーダとその派生形（SAE、DAE、SDA）を含む、MHMSに適用可能なDLアーキテクチャを説明し、事前訓練の利点を述べる。
• RBM、DBN、DBMを多層確率モデルとして説明し、表現学習における役割を解説する。
• MHMSにおける1D/2Dデータ向けのCNNを概説し、畳み込み、プーリング、特徴抽出の仕組みを詳述する。
• 逐次データ向けのRNNとその派生（LSTM、GRU）を説明し、メモリ能力を解説する。
• 手作り特徴を用いず、全層が共同訓練されるエンドツーエンドのDLベースMHMSパイプラインを議論する。
• トップ層を適応させることで、診断から予後へと切り替えるDLモデルの可能性を強調する。）

実験結果

リサーチクエスチョン

• RQ1 機械データから階層表現を抽出するのに効果的なDLアーキテクチャは何か？
• RQ2 大規模でノイズの多いセンサデータを扱う際、DLベースのMHMSは従来のデータ駆動法とどう比較されるか？
• RQ3 診断と予後における手作り特徴設計の必要性を、エンドツーエンドDLシステムは減らせるか？
• RQ4 MHMSの性能向上において、事前訓練とAE、RBM/DBN/DBM、CNN、RNNといった派生はどんな役割を果たすか？

主な発見

• DLベースのMHMSは、生データからのエンドツーエンド学習を可能にし、手作り特徴への依存を減らす。
• オートエンコーダとその派生は意味のある表現を学習でき、MHMSの深層ネットワークの事前訓練に利用できる。
• RBMベースのモデル（DBN、DBM）とその派生は、MHMSで故障診断と残存有用寿命予測に適用されてきた。
• CNNとRNNは時系列データおよび時系列周波データに対して条件認識とRUL推定に効果的に適用されている。
• DLベースのMHMSは大規模データの処理能力の向上と、機械やドメイン間の柔軟性を示す。