[論文レビュー] Potential, Challenges and Future Directions for Deep Learning in Prognostics and Health Management Applications

Olga Fink, Qin Wang+4 more|arXiv (Cornell University)|May 5, 2020

Fault Detection and Control Systems参考文献 187被引用数 3

ひとこと要約

本論文は、予後管理（PHM）分野における深層学習（DL）の応用を評価し、特徴工学の自動化や故障検出、診断、残存耐用時間（RUL）予測の向上にその可能性を明らかにしている。データ不足、ドメインシフト、解釈可能性の欠如といった課題を指摘するとともに、データ拡張、物理学を組み込んだ学習、アクティブなデータセットキュレーションといった解決策を提案している。産業分野への導入に向けたものである。

ABSTRACT

Deep learning applications have been thriving over the last decade in many different domains, including computer vision and natural language understanding. The drivers for the vibrant development of deep learning have been the availability of abundant data, breakthroughs of algorithms and the advancements in hardware. Despite the fact that complex industrial assets have been extensively monitored and large amounts of condition monitoring signals have been collected, the application of deep learning approaches for detecting, diagnosing and predicting faults of complex industrial assets has been limited. The current paper provides a thorough evaluation of the current developments, drivers, challenges, potential solutions and future research needs in the field of deep learning applied to Prognostics and Health Management (PHM) applications.

研究の動機と目的

• 産業資産における予後管理（PHM）応用分野における深層学習の現状を評価すること。
• データ不足、ドメインシフト、解釈可能性の欠如といった、DLをPHMに適用する際の主な課題を特定すること。
• データ拡張、物理学を組み込んだ学習、アクティブラーニングといった解決策を提案し、モデルの汎化性とスケーラビリティを向上させること。
• 代表的なデータセットの欠如というギャップを埋め、産業関係者間でのデータ共有と標準化を提言すること。
• 専門知識とDLを統合し、PHMにおける動的で正確なデジタルツインを構築することを検討すること。

提案手法

• 自己符号化器や生成対抗ネットワーク（GAN）を含む深層学習モデルを用い、生の状態監視信号から表現を学習する。
• 時間系列データおよび振動データのデータ不足に対処するために、特にAutoAugmentおよびGANベースの生成技術を用いたデータ拡張手法を適用する。
• ドメイン知識をニューラルネットワークに組み込むことで、物理学に基づく機械学習を統合し、モデルの頑健性と解釈可能性を向上させる。
• 特にフリートレベルのPHM応用において、動的かつ最適な訓練データセットの選択と構成を実現するためのアクティブラーニング戦略を提案する。
• 非ガウス分布および非定常プロセスにおける不確実性をモデル化するため、DLを強化したモンテカルロシミュレーション手法を用いる。
• 学習された健全状態からの距離を用いた健康指標の構築を提案し、無制限の健康状態評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、PHM応用における手動による特徴工学の限界をどのように克服できるか？
• RQ2 特に複雑な産業システムにおけるRUL予測に関して、深層学習をプロジェクションに適用する際の主な課題は何か？
• RQ3 データ拡張および生成モデルは、PHMで一般的に見られる低データ環境において、どの程度性能を向上させられるか？
• RQ4 物理学を組み込んだ深層学習アプローチは、産業用PHMシステムにおけるモデルの解釈性と信頼性をどの程度向上させられるか？
• RQ5 進化を続けるフリート規模のPHM環境において、効果的かつ効率的なデータセット構成と選択を実現する戦略は何か？

主な発見

• 深層学習は、特徴工学の自動化や故障検出・診断の向上に大きな可能性を秘めているが、データおよびモデルの複雑さのため、予後管理の分野では依然として挑戦的である。
• データ不足は、PHMにおけるDLの導入を阻害する主要な障壁であり、代表的なデータセットが不足しているため、モデルの汎化性が制限され、過学習のリスクが高まる。
• GANベースおよびAutoAugment風のデータ拡張は、時間系列データにおいて有望であるが、複雑で画像とは異なる信号への適用性についてはさらなる検証が必要である。
• 物理学を組み込んだ深層学習アプローチは、モデルの頑健性と解釈性を向上させられるが、産業応用における最適な統合手法についての合意形成はまだ存在しない。
• アクティブラーニングおよび動的データセットキュレーションは、継続的なデータ統合意思決定が求められるフリートレベルのPHMにおいて不可欠である。新規性と重複のバランスを取る必要がある。
• 不確実性の定量化は、DLベースのPHMにおいてまだ未発達であり、非線形的かつ非定常プロセスを効果的に扱えるスケーラブルなモンテカルロ手法の開発が求められている。