[論文レビュー] Hybrid deep fault detection and isolation: Combining deep neural networks and system performance models

Manuel Arias Chao, Chetan S. Kulkarni+2 more|arXiv (Cornell University)|Aug 5, 2019

Fault Detection and Control Systems被引用数 26

ひとこと要約

本稿では、物理ベースの性能モデルとデータ駆動型診断を統合するハイブリッドディープラーニングフレームワークを提案し、複雑なシステムにおける故障検出および故障分離の性能を向上させることを目的としている。モデルキャリブレーションを通じて観測されないプロセス変数を推定することで、入力表現が向上し、特に変動する運転条件下でも優れた故障分離性能を実現する。これは、純粋なデータ駆動型アプローチに比べ、検出精度および分離精度の両面で優れている。

ABSTRACT

With the increased availability of condition monitoring data and the increased complexity of explicit system physics-based models, the application of data-driven approaches for fault detection and isolation has recently grown. While detection accuracy of such approaches is generally good, their performance on fault isolation often suffers from the fact that fault conditions affect a large portion of the measured signals thereby masking the fault source. To overcome this limitation and enable a more accurate fault detection, we propose a hybrid approach combining physical performance models with deep learning algorithms. Unobserved process variables are inferred with a physics-based performance model to enhance the input space of a data-driven diagnostics model. To validate the effectiveness of the proposed method, we generate a condition monitoring dataset of an advanced gas turbine during flight conditions under healthy and four faulty operative conditions based on the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dynamical model. We evaluate the performance of the proposed method in combination with two different deep learning algorithms: feed forward neural networks and Variational Autoencoders, both of which demonstrate a significant improvement when applied within the hybrid fault detection and diagnostics framework. The proposed method is able to outperform pure data-driven solutions, particularly for systems with a high variability of operating conditions. It provides superior results both for fault detection as well as for fault isolation. For fault isolation, it overcomes the smearing effect that is observed in pure data-driven approaches and enables a precise isolation of the affected signal. We also demonstrate that deep learning algorithms provide a better performance on fault detection compared to the traditional machine learning algorithms.

研究の動機と目的

• 航空機エンジンのような安全が求められるシステムでは故障がまれで多様であるため、ラベル付きの故障データが限られるという課題に対処すること。
• 相関する信号が真の故障原因を隠してしまう「スミアリング効果」を克服すること。
• 運転条件の変動が著しい状況下で、従来のデータ駆動型モデルの性能が低下するのを改善すること。
• 物理的システムモデルとディープラーニングを組み合わせたハイブリッドフレームワークを構築し、表現学習および故障局所化の性能を向上させること。
• キャリブレーション済みのモデル変数が、残差や生のセンサデータのみを用いる場合に比べ、故障分離性能を顕著に向上させることを実証すること。

提案手法

• C-MAPSS動的モデルを用いて、健全状態および4つの故障状態下でのジェットエンジンの合成状態監視データを生成する。
• 物理ベースの性能モデルを用いて、未観測のシステム変数を推定し、状態変数（$\hat{X}_s$, $\hat{X}_v$）およびモデルパラメータ（$\hat{\theta}$）のキャリブレーション済み推定値を生成する。
• キャリブレーション済みモデル出力を、ディープニューラルネットワークおよび変分オートエンコーダー（Variational Autoencoders）といったディープラーニングモデルの入力特徴として使用する。
• 故障検出をワンクラス分類問題として扱い、健全なデータのみを用いてディープラーニングモデルを学習する。
• ディープモデルの潜在空間表現を用いて、健全な動作からの逸脱を検出する。
• 故障分離の目的で、キャリブレーション済みモデルパラメータ（$\hat{\theta}$）を活用し、残差のみの手法で見られるスミアリング効果を回避する。

実験結果

リサーチクエスチョン

• RQ1 物理ベースのモデルとディープラーニングを組み合わせたハイブリッドアプローチは、運転条件の変動が著しいシステムにおける故障検出および故障分離の性能を向上させることができるか？
• RQ2 キャリブレーション済みモデル変数（$\hat{\theta}$）を組み込むことで、残差や生のデータのみを用いる場合に比べ、故障分離の精度が向上するか？
• RQ3 ハイブリッド手法は、純粋なデータ駆動型ディープラーニングモデルおよび従来のOC-SVMモデルに比べ、故障検出および故障分離のタスクで優れた性能を示すか？
• RQ4 モデルキャリブレーションの品質が、ハイブリッドフレームワークにおける故障分離能力に及ぼす影響の程度はどの程度か？
• RQ5 ディープオートエンコーダーの潜在空間は、生の信号や残差信号に比べ、システム健全性のより情報豊かな表現を提供できるか？

主な発見

• ハイブリッド手法はC-MAPSSデータセットにおいて故障検出精度が100％に達し、純粋なデータ駆動型ディープラーニングモデルおよび従来のOC-SVMを上回った。
• キャリブレーション済みモデルパラメータ（$\hat{\theta}$）を組み込むことで、故障分離性能が顕著に向上し、正確な故障原因の特定が可能になり、スミアリング効果を克服した。
• 変分オートエンコーダーおよびディープフィードフォワードネットワークの潜在空間表現は、健全状態と故障状態を明確に識別でき、検出タスクを簡素化した。
• 変動する運転条件下でも優れたロバスト性を示したが、これは純粋なデータ駆動型モデルが分布シフトの影響を受けるためである。
• 残差ベースとキャリブレーションベースの入力では検出性能に類似した結果が得られたが、故障分離の精度を確保できたのはキャリブレーションベースの入力に限った。
• フレームワークの有効性は物理ベースのモデルの忠実性に依存しており、モデルキャリブレーションが不十分な場合、故障分離能力が低下する。今後の研究では、モデルの精錬や残差の統合が求められる。