[論文レビュー] Learning in the Model Space for Fault Diagnosis

Huanhuan Chen, Peter Tiňo+2 more|arXiv (Cornell University)|Oct 31, 2012

Fault Detection and Control Systems参考文献 26被引用数 8

ひとこと要約

本稿では、時間変動する複雑なシステムにおける故障の検出と分離を、故障の種類に関する事前知識がなくても行えるように、リザボア計算とワンクラスSVMを用いてモデル空間で学習する認知的故障診断フレームワークを提案する。ローリングウィンドウによる信号セグメントのモデリングと、それらから得られる線形リードアウトモデルの特徴空間における分析により、動的故障ライブラリの構築が可能となり、従来の手法に比べて故障分離の精度と未知の故障に対するロバスト性に優れる。

ABSTRACT

The emergence of large scaled sensor networks facilitates the collection of large amounts of real-time data to monitor and control complex engineering systems. However, in many cases the collected data may be incomplete or inconsistent, while the underlying environment may be time-varying or un-formulated. In this paper, we have developed an innovative cognitive fault diagnosis framework that tackles the above challenges. This framework investigates fault diagnosis in the model space instead of in the signal space. Learning in the model space is implemented by fitting a series of models using a series of signal segments selected with a rolling window. By investigating the learning techniques in the fitted model space, faulty models can be discriminated from healthy models using one-class learning algorithm. The framework enables us to construct fault library when unknown faults occur, which can be regarded as cognitive fault isolation. This paper also theoretically investigates how to measure the pairwise distance between two models in the model space and incorporates the model distance into the learning algorithm in the model space. The results on three benchmark applications and one simulated model for the Barcelona water distribution network have confirmed the effectiveness of the proposed framework.

研究の動機と目的

• 時間変動的または定式化されていない環境下で、数学的モデルが利用不可または不正確であるため、複雑な工学的システムにおける故障診断の課題に対処すること。
• 故障の種類、数、関数形に関する事前知識がなくても動作する認知的故障診断システムの開発。
• 信号空間ではなく、フィットしたモデルの空間で学習することにより、リアルタイムでの故障検出と分離を実現すること。
• 新たな故障が出現するたびに、段階的学習と認知的故障分離を支援する動的故障ライブラリの構築。
• モデル空間におけるモデル距離の理論的定義と組み込みにより、健全モデルと故障モデルの区別を向上させること。

提案手法

• ローリングウィンドウからの信号セグメントを、決定論的リザボア計算モデルを用いて表現し、それらを動的特徴空間に変換する。
• 各信号セグメントに対してリザボア出力上に線形リードアウトモデルをフィットさせ、モデル空間におけるモデルの系列を生成する。
• リードアウトパラメータの幾何的性質に基づき、モデル空間における厳密なモデル距離メトリックを定義し、オフセットの違いを重視する。
• モデル空間にワンクラスサポートベクターマシン（OCSVM）を適用し、正常モデルの分布を学習し、その逸脱を異常として検出する。
• 新規故障の検出とリアルタイムでの故障ライブラリの動的拡張を可能にする段階的ワンクラス学習アルゴリズムを実装する。
• パラメータ領域が非一様である場合、サンプリング手法またはガウス・ミックスチャネルを用いてモデル距離を推定する。

実験結果

リサーチクエスチョン

• RQ1 複雑で時間変動するシステムにおいて、信号空間ではなくモデル空間で学習することで、故障診断を効果的に行うことができるか？
• RQ2 モデル空間におけるモデル間の意味的な距離メトリックをどのように定義すれば、故障の区別を支援できるか？
• RQ3 モデル空間におけるワンクラス学習により、未知または予期しない故障のための動的故障ライブラリ構築が可能か？
• RQ4 提案されたモデル空間学習フレームワークは、従来の信号空間手法と比較して、故障分離の精度とロバスト性において優れているか？
• RQ5 モデル距離の定義が、故障診断におけるワンクラス学習のパフォーマンスに与える影響は何か？

主な発見

• 提案されたDRC-OCS手法は、精度、再現率、特異度という指標において、AP-modelおよび他のモデル空間学習手法を上回る、最良の全体的性能を達成した。
• 1つのベンチマークで270のサブ故障を同定したことで、故障の変動に高い感度を示したが、これは微細な故障パターンを捉える能力を反映している。
• モデル空間におけるモデル距離メトリックは、通常のリードアウトパラメータの二乗ユークリッド距離とは顕著に異なることが示され、モデル区別においてオフセットの重要性が強調された。
• 決定論的リザボアモデルの使用により、モデルフィッティング性能が向上し、モデル構造が単純化され、フレームワーク全体のロバスト性が向上した。
• リアルタイムでの動的故障ライブラリ構築に成功し、以前に観測されていなかった故障タイプに対しても認知的故障分離を実現した。
• 3つのベンチマークシステムおよびシミュレーテッド・バセロナ水配分ネットワークにおける実験結果から、モデル空間における学習アプローチの有効性とロバスト性が確認された。