[論文レビュー] Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder

Pankaj Malhotra, Vishnu Tv+5 more|arXiv (Cornell University)|Aug 22, 2016

Machine Fault Diagnosis Techniques参考文献 39被引用数 165

ひとこと要約

本論文は、固定的な劣化形状を仮定せず、多 sensor 時系列からRULを推定するLSTMエンコーダ-デコーダを用いた教師なし健康指標 HI を導入し、ターボファン(Turbofan)、ミリング（ Milling）、粉砕機 Pulverizer データセットで評価する。

ABSTRACT

Many approaches for estimation of Remaining Useful Life (RUL) of a machine, using its operational sensor data, make assumptions about how a system degrades or a fault evolves, e.g., exponential degradation. However, in many domains degradation may not follow a pattern. We propose a Long Short Term Memory based Encoder-Decoder (LSTM-ED) scheme to obtain an unsupervised health index (HI) for a system using multi-sensor time-series data. LSTM-ED is trained to reconstruct the time-series corresponding to healthy state of a system. The reconstruction error is used to compute HI which is then used for RUL estimation. We evaluate our approach on publicly available Turbofan Engine and Milling Machine datasets. We also present results on a real-world industry dataset from a pulverizer mill where we find significant correlation between LSTM-ED based HI and maintenance costs.

研究の動機と目的

• 固定的な劣化形状を仮定せず、RUL を予測することで状態ベース保全を促進する。
• 正常運転の再構成誤差から学習された教師なしHIを提案する。
• 訓練インスタンス間の曲線マッチングを通じてHIベースのRUL推定を実証する。

提案手法

• 健全な多変量時系列部分列を再構成するようLSTM-Encoder-Decoderを訓練する。
• 再構成誤差を非正規化された健康指標として計算し、各インスタンスに対象 HI を導出する。
• 導出されたセンサ特徴量から [0,1] のHIへ線形回帰マッピングを学習する。
• 訓練インスタンスの HI カーブを用いて、時間遅延とともに曲線マッチングを行いテストインスタンスのRULを推定する。
• 比較のために線形（LR-Lin）または指数関数的（LR-Exp）HIターゲットを用いたLRモデルを任意で使用する。
• 類似した時間遅延に対して重み付き平均を用いてテストと訓練インスタンス間でHIカーブをマッチさせる。

実験結果

リサーチクエスチョン

• RQ1 再構成誤差から学習された教師なしHIは、退化形を仮定せずに劣化を捉えることができるか？
• RQ2 HIベースのRUL推定は、ドメイン知識に基づく劣化モデルと比較してどの程度有効か？
• RQ3 初期健康状態および作動条件が異なる場合において、インスタンス間のHIカーブマッチングは堅牢なRUL推定を提供するか？
• RQ4 LRとLSTM-ED由来のHIターゲットを使用することがRULの精度に与える影響は？

主な発見

Model	S	A(%)	MAE	MSE	MAPE1(%)	MAPE2(%)	FPR(%)	FNR(%)
LSTM-ED	1263	36	18	546	39	9	34	30
LR-Exp	280	60	10	177	21	5.2	13	27
LR-ED 1	477	65	12	288	20	5.9	19	16
LR-ED 2	256	67	10	164	18	5.0	13	20
RC	216	67	10	176	20	NR	56	44

• LSTM-ED ベースの HI は、寿命に伴い再構成誤差が増加することで劣化を追跡する。
• LR-ED 2（正規化二乗再構成誤差）は Turbofan データ上、LR-Exp、LR-ED 1、および LR-ED 2 の variants を上回る。
• LR-ED 2 は、指数的劣化仮定に依存せず、RUL-CLIPPER ベースラインと同等かそれ以上の性能を達成する。
• 最終サイクルの HI が低くなるにつれてRUL推定は改善し、寿命末期に近づくほど分散が小さくなる。
• HIベースの手法は、ミリングや pulverizer milling を含むデータセット間で競争力のある結果を示し、保守コストとの有意な相関を持つ。