[論文レビュー] Multi-Fault Diagnosis Of Industrial Rotating Machines Using Data-Driven Approach: A Review Of Two Decades Of Research

Shreyas Gawde, Shruti Patil+4 more|arXiv (Cornell University)|May 30, 2022

Engineering Diagnostics and Reliability被引用数 15

ひとこと要約

本論文は、過去20年間における産業用回転機械におけるマルチフォールト診断のデータ駆動型アプローチについて、PRISMAフレームワークを用いて、センサ選択、データ取得、特徴抽出、マルチセンサ統合、AI技術を分析した体系的レビューを提示している。近年のAI技術の進展を活用して、主な課題、研究ギャップ、解決策を特定し、インダストリー4.0における予知保全分野の今後の研究の包括的基盤を提供している。

ABSTRACT

Industry 4.0 is an era of smart manufacturing. Manufacturing is impossible without the use of machinery. Majority of these machines comprise rotating components and are called rotating machines. The engineers' top priority is to maintain these critical machines to reduce the unplanned shutdown and increase the useful life of machinery. Predictive maintenance (PDM) is the current trend of smart maintenance. The challenging task in PDM is to diagnose the type of fault. With Artificial Intelligence (AI) advancement, data-driven approach for predictive maintenance is taking a new flight towards smart manufacturing. Several researchers have published work related to fault diagnosis in rotating machines, mainly exploring a single type of fault. However, a consolidated review of literature that focuses more on multi-fault diagnosis of rotating machines is lacking. There is a need to systematically cover all the aspects right from sensor selection, data acquisition, feature extraction, multi-sensor data fusion to the systematic review of AI techniques employed in multi-fault diagnosis. In this regard, this paper attempts to achieve the same by implementing a systematic literature review on a Data-driven approach for multi-fault diagnosis of Industrial Rotating Machines using Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) method. The PRISMA method is a collection of guidelines for the composition and structure of systematic reviews and other meta-analyses. This paper identifies the foundational work done in the field and gives a comparative study of different aspects related to multi-fault diagnosis of industrial rotating machines. The paper also identifies the major challenges, research gap. It gives solutions using recent advancements in AI in implementing multi-fault diagnosis, giving a strong base for future research in this field.

研究の動機と目的

• 産業用回転機械におけるマルチフォールト診断に関する統合的文献が不足しているという問題に対処すること。
• PRISMA手法を用いて、データ駆動型アプローチによる故障診断を体系的に分析すること。
• マルチフォールト状況におけるセンサ選択、データ取得、特徴抽出、マルチセンサ統合技術を評価すること。
• 過去20年間におけるマルチフォールト診断に用いられたAI技術を比較・対比すること。
• データ駆動型マルチフォールト診断における主な課題、研究ギャップ、今後の研究方向性を特定すること。

提案手法

• PRISMA（体系的レビューおよびメタアナリシスのための優先報告項目）フレームワークを用いて体系的文献レビューを実施した。
• 2000年から2022年までの回転機械におけるデータ駆動型マルチフォールト診断に関する査読付き論文を収集・分析した。
• センサの種別、データ取得手法、特徴抽出技術、使用されたAIモデルに基づいて研究を評価した。
• 機械学習とディープラーニングを含むAI技術の比較分析を、マルチフォールト状況において実施した。
• マルチセンサデータ統合戦略とその診断精度への影響を統合的に分析した。
• 文献の主題的および定量的合成を通じて、トレンド、制限要因、研究ギャップを同定した。

実験結果

リサーチクエスチョン

• RQ1 過去20年間において、産業用回転機械におけるマルチフォールト診断に用いられる代表的なデータ駆動型技術は何か？
• RQ2 センサ選択とデータ取得手法は、マルチフォールト診断の精度にどのように影響を与えるか？
• RQ3 マルチフォールト状況において、最も効果的な特徴抽出およびマルチセンサ統合戦略は何か？
• RQ4 SVM、DNN、CNNなどの異なるAIモデルは、複数の同時故障を診断する際にどのように比較されるか？
• RQ5 現在のマルチフォールト診断研究における主な課題と研究ギャップは何か？

主な発見

• 単一故障診断に関する広範な研究とは対照的に、マルチフォールト診断に関する体系的レビューの研究ギャップが顕著に存在する。
• 多くの研究が単一故障状況に焦点を当てており、実際の産業現場でのマルチフォールト検出統合は限定的である。
• 畳み込みニューラルネットワーク（CNN）や再帰型ニューラルネットワーク（RNN）を含むディープラーニングモデルは、従来の機械学習モデルよりも高い診断精度を示している。
• マルチセンサデータ統合は、複雑な故障状況における診断信頼性と故障分離性を顕著に向上させている。
• センサの配置とデータ品質は、研究全体にわたり診断性能に影響を与える重要な課題のままである。
• PRISMAに基づくレビューにより、マルチフォールト診断研究における標準化された評価プロトコルとベンチマークデータセットの欠如が明らかになった。