[論文レビュー] Fully Unsupervised Feature Alignment for Critical System Health Monitoring with Varied Operating Conditions

Gabriel Michau, Olga Fink|arXiv (Cornell University)|Jul 22, 2019

Fault Detection and Control Systems被引用数 1

ひとこと要約

本稿では、多様な運用条件下における安全上の重要な産業システムの早期健康モニタリングを可能にする、完全に教師なしの特徴アライメントフレームワークを提案する。変動するエンコーディング、空間的関係の保持、敵対的ドメイン識別を介してユニット間の特徴をアライメントすることで、112基の発電所で構成されるフリートにおいて、1クラス分類のパフォーマンスが向上し、教師なしアライメントが低故障環境における頑健な故障早期検出に不可欠であることが示された。

ABSTRACT

The failure of a complex and safety critical industrial asset can have extremely high consequences. Close monitoring for early detection of abnormal system conditions is therefore required. Data-driven solutions to this problem have been limited for two reasons: First, safety critical assets are designed and maintained to be highly reliable and faults are rare. Fault detection can thus not be solved with supervised learning. Second, complex industrial systems usually have long lifetime during which they face very different operating conditions. In the early life of the system, the collected data is probably not representative of future operating conditions, making it challenging to train a robust model. In this paper, we propose a methodology to monitor the systems in their early life. To do so, we enhance the training dataset with other units from a fleet, for which longer observations are available. Since each unit has its own specificity, we propose to extract features made independent of their origin by three unsupervised feature alignment techniques. First, using a variational encoder, we impose a shared probabilistic encoder/decoder for both units. Second, we introduce a new loss designed to conserve inter-point spacial relationships between the input and the learned features. Last, we propose to train in an adversarial manner a discriminator on the origin of the features. Once aligned, the features are fed to a one-class classifier to monitor the health of the system. By exploring the different combinations of the proposed alignment strategies, and by testing them on a real case study, a fleet composed of 112 power plants operated in different geographical locations and under very different operating regimes, we demonstrate that this alignment is necessary and beneficial.

研究の動機と目的

• 故障がまれでデータが限られている初期運用段階における安全上の重要なシステムの監視の課題に対処すること。
• フリート内の複数のユニット間で異なる運用条件がもたらすドメインシフトを克服すること。
• ラベル付き故障データに依存せず、複数のユニットからの正常動作データのみを用いて、頑健なシステム健全性モニタリングを可能にすること。
• ユニット固有の特徴に依存しないが、内在するデータ構造を保持する特徴アライメント技術を開発すること。
• 提案されたアライメント戦略の有効性を、異なる運用レジームを有する実際の112基の発電所で構成されるフリートにおいて検証すること。

提案手法

• 異なるユニット間で共有される確率的エンコーダ/デコーダを強制するために、変動的オートエノードアが使用され、ユニットの起源に依存しない特徴学習が可能になる。
• 入力データと学習された特徴間の点対間の空間的関係を保持するための新しい損失関数が導入され、局所的なデータ構造が維持される。
• 特徴の出どころ（つまり、どのユニットから来たか）を分類するように訓練された敵対的ディスクライマーが使用され、特徴抽出器がドメイン不変の表現を生成するよう励まされる。
• アライメントされた特徴は、その後1クラス分類器に供給され、正常動作パターンに基づいて異常を検出する。
• 変動的エンコーディング、空間的損失、敵対的学習の3つのアライメントコンポーネントを統合した一貫した学習フレームワーク内で、すべての要素を統合的に扱う。
• 実際の112基の発電所からのデータを用いて、3つのアライメント戦略のさまざまな組み合わせをテストすることで、アプローチの有効性を評価する。

実験結果

リサーチクエスチョン

• RQ1 教師なし特徴アライメントは、故障データが限られている安全上の重要な産業システムの早期健全性モニタリングを改善できるか？
• RQ2 個別および組み合わせた教師なしアライメント技術は、異なる運用条件を持つユニット間のドメインシフトをどれほど効果的に低減できるか？
• RQ3 潜在空間における空間的関係の保持は、異常検出の頑健性を向上させるか？
• RQ4 特徴の出どころに対する敵対的学習は、ドメイン不変表現学習にどの程度貢献するか？
• RQ5 提案されたアライメントフレームワークは、実世界の産業フリートにおける1クラス分類にとって不可欠で有益なものか？

主な発見

• 提案された教師なし特徴アライメントフレームワークは、初期運用段階におけるシステム健全性モニタリングの1クラス分類パフォーマンスを顕著に向上させる。
• 変動的エンコーディング、空間的保持、敵対的学習の3つのアライメント戦略を組み合わせることで、最良の検出パフォーマンスが達成される。
• アブレーションスタディにより、各アライメントコンポーネントが有意に寄与しており、多様な運用レジームにわたる頑健性を確保するにはそれらの組み合わせが不可欠であることが確認された。
• 本手法は、将来的な運用状態とは異なる条件下で収集されたトレーニングデータでも、システムの有効な監視を可能にする。
• 本フレームワークは、異なる地理的場所や運用条件を有する実際の112基の発電所フリートにおいて実用的有用性を示した。
• 結果から、教師なしアライメントは有益であるだけでなく、低故障・高信頼性システムにおける信頼性の高い故障早期検出に不可欠であることが示された。