[論文レビュー] Mutual Information Matrix for Interpretable Fault Detection.

Feiya Lv, Shujian Yu+2 more|arXiv (Cornell University)|Jul 21, 2020

Fault Detection and Control Systems参考文献 45被引用数 2

ひとこと要約

本稿では、多次元プロセスにおける解釈可能な故障検出のための相互情報量（MI）行列手法を提案する。プロセス変数間の対ごとのMIを計算し、その固有値分解を分析することで、非線形ダイナミクスを明らかにし、高い故障検出率（FDR）と低い誤報率（FAR）を達成する。この手法は、合成データおよびTennessee Eastmanデータにおいて、既存手法を上回る性能を示した。

ABSTRACT

This paper presents a novel mutual information (MI) matrix based method for fault detection. Given a m-dimensional fault process, the MI matrix is a m$ imes$m matrix in which the (i,j)-th entry measures the MI values between the i-th dimension and the j-th dimension variables. We demonstrate that the transformed components extracted from the obtained MI matrix can precisely unveil the dynamics of the underlying (possibly nonlinear) process, thus offering a reliable indicator to the occurrence of different types of faults. We also suggest that the recently proposed matrix-based Renyi's $\alpha$-entropy is a good surrogate to the classical Shannon's entropy in MI estimation. Experiments on both synthetic data and the benchmark Tennessee Eastman process demonstrate the interpretability of our methodology in identifying the root variables that cause the faults, and the superiority of our methodology in terms the improved fault detection rate (FDR) and the lowest false alarm rate (FAR).

研究の動機と目的

• 多次元プロセスにおける非線形依存関係を捉える故障検出手法の開発。
• MI行列解析による根拠となる変数の同定により、解釈可能性の向上。
• 行列ベースのRényiのαエントロピーを surrogate として活用することで、故障検出性能の向上。
• 複雑なプロセス監視において、高い検出率を維持しながら誤報率を低減すること。

提案手法

• m次元プロセスにおける変数iとjの間のMIを測定するm×mの相互情報量（MI）行列を構築する。
• MI推定の安定性と正確性を向上させるために、行列ベースのRényiのαエントロピーを、シャノンエントロピーの強固な補助的推定値として用いる。
• MI行列の固有値分解を適用し、プロセスの背後にあるダイナミクスを反映する変換された成分を抽出する。
• MI行列の固有ベクトルおよび固有値を用いて、異常を検出し、故障伝播パターンを特定する。
• 主成分への変数の寄与度を分析することで、MI行列の構造を活用し、故障の原因を解釈可能に特定する。
• MI行列フレームワークを故障検出パイプラインに統合し、リアルタイム監視および根拠となる要因の診断を実現する。

実験結果

リサーチクエスチョン

• RQ1 MI行列は、多次元故障プロセスにおける非線形依存関係を効果的に捉えることができるか？
• RQ2 従来手法と比較して、MI行列は故障検出性能をどのように向上させるか？
• RQ3 MI行列は、故障の原因となる変数をどの程度正確に同定できるか？
• RQ4 シャノンエントロピーの代替としてRényiのαエントロピーを用いることで、MI推定の精度が向上するか？
• RQ5 MI行列フレームワークは、高い故障検出率を維持しながら誤報率を低減できるか？

主な発見

• MI行列手法は、合成データおよびTennessee Eastmanベンチマークデータの両方において、ベースライン手法よりも高い故障検出率（FDR）を達成した。
• 比較手法の中で最も低い誤報率（FAR）を示し、信頼性の向上を示した。
• MI行列の固有値分解により、非線形プロセスの背後にあるダイナミクスが成功裏に明らかになった。
• 行列ベースのRényiのαエントロピーの使用により、古典的シャノンエントロピーと比較して、より安定的かつ正確なMI推定が可能になった。
• MI行列により、故障伝播に最も寄与する変数を強調することで、解釈可能な故障診断が可能になった。
• 本手法は、故障シナリオにおける根拠となる要因変数を効果的に同定し、診断の透明性を向上させた。