[論文レビュー] Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation

Joseph Cohen, Xun Huan+1 more|arXiv (Cornell University)|Mar 23, 2023

Machine Fault Diagnosis Techniques参考文献 19被引用数 5

ひとこと要約

本論文は、NASA CMAPSSデータセットを用いたターボファンエンジンの故障予測のためのマルチタスクディープラーニングフレームワーク、ANN-Fluxを提案する。健康状態、最終的故障モード、および残存耐用年数（RUL）を、カスタム損失関数とPCA処理済み時間領域特徴量を用いて同時に予測し、計算コストを低減しながらも、AUROC >0.95を達成し、先行研究と比較してRULのRMSEが38%低減された。

ABSTRACT

In the era of industrial big data, prognostics and health management is essential to improve the prediction of future failures to minimize inventory, maintenance, and human costs. Used for the 2021 PHM Data Challenge, the new Commercial Modular Aero-Propulsion System Simulation dataset from NASA is an open-source benchmark containing simulated turbofan engine units flown under realistic flight conditions. Deep learning approaches implemented previously for this application attempt to predict the remaining useful life of the engine units, but have not utilized labeled failure mode information, impeding practical usage and explainability. To address these limitations, a new prognostics approach is formulated with a customized loss function to simultaneously predict the current health state, the eventual failing component(s), and the remaining useful life. The proposed method incorporates principal component analysis to orthogonalize statistical time-domain features, which are inputs into supervised regressors such as random forests, extreme random forests, XGBoost, and artificial neural networks. The highest performing algorithm, ANN-Flux, achieves AUROC and AUPR scores exceeding 0.95 for each classification. In addition, ANN-Flux reduces the remaining useful life RMSE by 38% for the same test split of the dataset compared to past work, with significantly less computational cost.

研究の動機と目的

• 故障モードのラベル情報を取り入れることで、ターボファンエンジンの健康管理における予測精度と解釈可能性を向上させること。
• 従来のディープラーニングモデルが故障部品を特定しないままRULを予測するという限界を是正すること。
• CMAPSSベンチマークデータセット上で、予測性能を維持または向上させながら計算コストを低減すること。
• 健康状態、故障モード、および残存耐用年数を同時に推定する統合フレームワークの開発。
• 産業用メンテナンス応用におけるモデルの解釈可能性と実用性の向上。

提案手法

• エンジンセンサー・データから抽出した統計的時間領域特徴量を直交化するために主成分分析（PCA）を用いる。
• 健康状態分類、最終的故障モード予測、およびRUL回帰の3つを同時に最適化するためのカスタムマルチタスク損失関数を設計する。
• ランダムフォレスト、XGBoost、エクストリームランダムフォレスト、および人工ニューラルネットワーク（ANN）を含む教師あり回帰器をPCA低次元化特徴量上で学習する。
• 最も優れた性能を示したモデルであるANN-Fluxは、マルチタスク損失関数で微調整されたディープニューラルネットワークアーキテクチャである。
• モデルは、実際のターボファンエンジン運用を模擬する2021年PHMデータチャレンジのオープンソースCMAPSSデータセット上で訓練および評価される。
• 複数の故障モードおよびRUL予測タスクにおいて、AUROC、AUPR、およびRMSEの指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 統合型ディープラーニングモデルは、ターボファンエンジンの残存耐用年数と最終的故障モードの両方を効果的に予測できるか？
• RQ2 カスタム損失関数を用いてラベル付きの故障モード情報を組み込むことで、予測精度とモデルの解釈性が向上するか？
• RQ3 PCAに基づく特徴量直交化は、エンジン予後において下流の回帰器の性能をどの程度向上させるか？
• RQ4 提案されたマルチタスク学習フレームワークは、単一タスクのRUL予測モデルと比較して、RULのRMSEと計算効率の点でどのように差をつけるか？
• RQ5 モデルは故障モード分類のための高いAUROCおよびAUPRスコアを達成しつつ、RUL予測誤差を低く保てるか？

主な発見

• ANN-Fluxモデルは、すべての故障モード分類タスクにおいてAUROCおよびAUPRスコアが0.95を超える。
• ANN-Fluxは、同じCMAPSSデータセットのテストスプリットにおいて、先行する最先端手法と比較してRULのRMSEを38%低減した。
• 本モデルは、同ベンチマークで同様の性能を達成する以前のディープラーニング手法と比較して、顕著に低い計算コストを実現した。
• PCAに基づく特徴量変換は、すべてのテスト済みアルゴリズムにおいて、教師あり回帰器の安定性と性能を向上させた。
• カスタム損失関数を用いたマルチタスク学習フレームワークにより、健康状態、故障モード、RULの高精度かつ一貫性のある同時予測が可能になった。
• 提案手法は分類および回帰の両タスクにおいて、既存のモデルを上回り、産業用予後応用における実用的ソリューションを提供した。