[論文レビュー] Hybrid variable monitoring: An unsupervised process monitoring framework with binary and continuous variables

Min Wang, Donghua Zhou+1 more|arXiv (Cornell University)|Oct 19, 2021

Fault Detection and Control Systems被引用数 15

ひとこと要約

本稿では、連続変数とバイナリ変数を組み合わせたハイブリッド変数を確率的モデルを用いて統合的に扱う、未学習のプロセス監視フレームワークHVMを提案する。連続変数とバイナリ変数の両方を効果的に活用する統計的指標と監視戦略を新たに定義し、健全状態のデータのみを用いて故障検出を可能にする。シミュレーションおよび実際の超臨界火力発電所の事例において、優れた性能が実証された。

ABSTRACT

Traditional process monitoring methods, such as PCA, PLS, ICA, MD et al., are strongly dependent on continuous variables because most of them inevitably involve Euclidean or Mahalanobis distance. With industrial processes becoming more and more complex and integrated, binary variables also appear in monitoring variables besides continuous variables, which makes process monitoring more challenging. The aforementioned traditional approaches are incompetent to mine the information of binary variables, so that the useful information contained in them is usually discarded during the data preprocessing. To solve the problem, this paper focuses on the issue of hybrid variable monitoring (HVM) and proposes a novel unsupervised framework of process monitoring with hybrid variables including continuous and binary variables. HVM is addressed in the probabilistic framework, which can effectively exploit the process information implicit in both continuous and binary variables at the same time. In HVM, the statistics and the monitoring strategy suitable for hybrid variables with only healthy state data are defined and the physical explanation behind the framework is elaborated. In addition, the estimation of parameters required in HVM is derived in detail and the detectable condition of the proposed method is analyzed. Finally, the superiority of HVM is fully demonstrated first on a numerical simulation and then on an actual case of a thermal power plant.

研究の動機と目的

• 従来のプロセス監視手法が連続変数に強く依存し、バイナリ変数を無視するというギャップを解消すること。
• 健全状態のデータのみを用いて、連続変数とバイナリ変数の両方を活用する未学習のフレームワークを開発すること。
• 確率的フレームワーク内においてハイブリッド変数に適した統計的指標と監視戦略を定義すること。
• 提案手法の物理的解釈可能性とパラメータ推定手順を提供すること。
• フレームワークの故障検出可能性の条件を検証し、合成データおよび実産業界データにおける有効性を実証すること。

提案手法

• 連続変数とバイナリ変数を同時にモデル化できる確率的フレームワーク内にハイブリッド変数監視（HVM）を定式化する。
• パrameter化された条件付き確率を用いて、連続変数とバイナリ変数の間の依存関係を捉える連合確率分布を定義する。
• 観測されたデータパターンに基づき、モデルパラメータ（特にζおよびζ′）の最尤推定式を導出する。
• 正常状態下での連合分布の対数尤度比に基づく監視統計量を構築する。
• 変数パターンの逸脱に対する尤度比の感度を分析することで、故障の検出可能条件を確立する。
• 推定されたパラメータを用いて監視統計量を計算し、制御限界を健全状態データのみから設定する。

Figure 1: Transformation of the natural logarithmic function.

実験結果

リサーチクエスチョン

• RQ1 連続変数とバイナリ変数を併用するプロセスを、健全状態のデータのみを用いて統合的かつ未学習のフレームワークで効果的に監視できるか？
• RQ2 連続変数とバイナリ変数の統計的依存関係をどのようにモデル化すれば、プロセスの情報を損なわずに保持できるか？
• RQ3 未学習設定下におけるハイブリッド変数の適切な監視統計量と制御限界は何か？
• RQ4 HVMフレームワークにおける故障の検出可能条件は何か？また、パラメータ推定とどのように関連しているか？
• RQ5 ハイブリッドデータに対する故障検出性能において、HVMは既存手法と比較してどのように優れているか？

主な発見

• 提案されたHVMフレームワークは、ラベル付きの故障データを一切必要とせず、連続変数とバイナリ変数の両方を効果的に統合してプロセス監視を実現した。
• 数値シミュレーションにおいて、従来のPCAや連続変数ベースの手法よりも優れた故障検出性能を達成した。
• 超臨界火力発電所の事例研究において、特にバイナリ制御信号を含む状況において、ベースライン手法よりも早期かつ信頼性の高い不具合検出が可能であった。
• 最尤推定によるパラメータ推定手順は、確率的モデルの下で強く根拠付けられており、閉形式の解が導出された。
• 検出可能条件の分析により、特にバイナリ変数が連続変数と異常な同時発生を示す場合に、変数パターンの逸脱を検出可能であることが確認された。
• モデルパラメータの物理的解釈が可能であり、変数間の依存関係の理解を深め、モデルの透明性と解釈可能性を向上させた。

(a) PCA ( $T^{2}$ )