[論文レビュー] Intelligent Bearing Fault Diagnosis with Convolutional Long-Short-Term-Memory Recurrent Neural Network

Amin Khorram, Mohammad Khalooei|arXiv (Cornell University)|Sep 16, 2019

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本稿では、前処理を施さずに原始的な加速度計データを処理する、畳み込み長短期記憶再帰ニューラルネットワーク（CRNN）を用いたエンドツーエンドの知能化された軸受故障診断手法を提案する。この手法は、時間領域信号から直接得られる時間的系列を活用することで、従来の手法を上回る最先端の精度を達成し、最小限のデータ操作でベンチマークデータセット上で優れた性能を発揮する。

ABSTRACT

Fault diagnostics and prognostics are important topics both in practice and research. There is an intense pressure on industrial plants to continue reducing unscheduled downtime, performance degradation, and safety hazards, which requires detecting and recovering potential faults in its early stages. Intelligent fault diagnosis is a promising tool due to its ability to rapidly and efficiently processing collected signals and providing accurate diagnosis results. Although many studies have developed machine leaning (M.L) and deep learning (D.L) algorithms for detecting the bearing fault, the results have generally been limited to relatively small train and test datasets and the input data has been manipulated (selective features used) to reach high accuracy. In this work, the raw data, collected from accelerometers (time-domain features) are taken as the input of a novel temporal sequence prediction algorithm to present an end-to-end method for fault detection. We use equivalent temporal sequences as the input of a novel Convolutional Long-Short-Term-Memory Recurrent Neural Network (CRNN) to detect the bearing fault with the highest accuracy in the shortest possible time. The method can reach the highest accuracy in the literature, to the best knowledge of the authors of the present paper, voiding any sort of pre-processing or manipulation of the input data. Effectiveness and feasibility of the fault diagnosis method are validated by applying it to two commonly used benchmark real vibration datasets and comparing the result with the other intelligent fault diagnosis methods.

研究の動機と目的

• 予期しない停止を最小限に抑えるために、産業システムにおける初期段階の軸受故障検出の課題に対処すること。
• 高い精度を達成するために事前処理や手動で選択された特徴量に依存する既存の機械学習手法の限界を克服すること。
• 原始的な時間領域振動信号を直接入力として使用するエンドツーエンドのディープラーニングフレームワークを構築すること。
• 変更のない入力データを用いて、文献に記載された最高の故障診断精度を達成すること。
• 本手法の有効性と実用性を、実世界のベンチマーク振動データセットを用いて検証すること。

提案手法

• 本手法は、前処理や特徴工学的処理を一切行わない、加速度計からの原始的な時間領域振動信号を入力として使用する。
• 時間的ダイナミクスを保持するため、原始信号から等価な時間的系列を構築する。
• 時間的系列からの階層的空間的・時間的特徴を抽出するために、新規の畳み込み長短期記憶再帰ニューラルネットワーク（CRNN）を設計する。
• 畳み込み層を用いて局所的パターンを抽出し、LSTM層を用いて長期的な時間的依存関係をモデル化する。
• 原始信号系列から直接軸受故障状態を分類するように、エンドツーエンドでネットワークを学習させる。
• 高速な推論と高い精度を実現するようにアーキテクチャを最適化し、リアルタイムの故障診断を可能にする。

実験結果

リサーチクエスチョン

• RQ1 前処理や特徴選択なしに、原始的な振動データに対して、ディープラーニングモデルが最先端の故障診断精度を達成できるか？
• RQ2 提案されたCRNNアーキテクチャは、原始的な加速度計信号から時間的パターンをどれほど効果的に捉えられるか？
• RQ3 エンドツーエンド学習アプローチは、特徴工学的処理に依存する従来の手法を上回る性能を発揮するか？
• RQ4 精度と頑健性の観点から、異なるベンチマークデータセット上で本手法はどの程度の性能を示すか？
• RQ5 既存の知能化診断システムよりも、故障をより早期かつ信頼性高く検出できるか？

主な発見

• 提案されたCRNNモデルは、変更のない原始的で処理されていない振動信号を用いて、文献に記載された最高の故障診断精度を達成した。
• 本手法は、いかなるデータ前処理や特徴選択も不要であるため、診断パイプラインの簡素化が可能である。
• 2つの広く用いられている実際の振動データセットにおいて、優れた性能を示し、その頑健性と一般化能力を確認した。
• エンドツーエンド学習アプローチにより、従来の手法と比較してより高速な推論と高い精度が実現された。
• 畳み込み層と再帰層を組み合わせることで、軸受故障診断における時間的系列モデリングに有効であることが結果から裏付けられた。