[論文レビュー] Predictive Maintenance for Industrial IoT of Vehicle Fleets using Hierarchical Modified Fuzzy Support Vector Machine

Arindam Chaudhuri|arXiv (Cornell University)|Jun 24, 2018

Machine Fault Diagnosis TechniquesEngineering参考文献 19被引用数 16

ひとこと要約

本稿では、産業用IoTを活用した車両フリートにおける予知保全のため、階層的修正型ファジィサポートベクターマシン（HMFSVM）を提案する。走行距離、年数、車両タイプなどの車両属性を統合することで、故障予測の精度を向上させる。実験的評価において、ロジスティック回帰、ランダムフォレスト、標準SVMと比較して優れた精度と頑健性を示し、故障検出および保守スケジューリングの両面で優れた性能を発揮した。

ABSTRACT

Connected vehicle fleets are deployed worldwide in several industrial IoT scenarios. With the gradual increase of machines being controlled and managed through networked smart devices, the predictive maintenance potential grows rapidly. Predictive maintenance has the potential of optimizing uptime as well as performance such that time and labor associated with inspections and preventive maintenance are reduced. In order to understand the trends of vehicle faults with respect to important vehicle attributes viz mileage, age, vehicle type etc this problem is addressed through hierarchical modified fuzzy support vector machine (HMFSVM). The proposed method is compared with other commonly used approaches like logistic regression, random forests and support vector machines. This helps better implementation of telematics data to ensure preventative management as part of the desired solution. The superiority of the proposed method is highlighted through several experimental results.

研究の動機と目的

• 大規模な産業用車両フリートの保守における、IoT環境下での増加する課題に対処すること。
• 走行距離、年数、車両タイプなどの重要な車両属性を統合することで、故障予測精度を向上させること。
• データ駆動型で予防的な保守戦略を採用することで、予期しない停止時間と保守コストを削減すること。
• 従来の手法（ロジスティック回帰やランダムフォレストなど）を上回る、頑健な機械学習モデルの開発。
• 実世界の産業用IoT展開における予防保守のための効果的なテレマティクスデータの活用を可能にすること。

提案手法

• 提案されたHMFSVMは、走行距離、年数、車両タイプなどの車両属性に基づいて故障を分類する階層的構造を用いる。
• 不確実性や曖昧さを含むセンサーおよびテレマティクスデータの処理のために、ファジィ論理をサポートベクターマシンフレームワークに統合する。
• 修正されたファジィ所属関数を適用して訓練サンプルに重みを付けることで、ノイズや外れ値の影響を低減する。
• 多段階分類戦略を採用し、故障を最初に高レベルのカテゴリにグループ化した後、細分化された分類を実施する。
• 実世界の車両フリートから得たテレマティクスデータを用いてモデルを訓練し、標準的な分類指標を用いて性能を評価する。
• 交差検証と比較分析を用いて、HMFSVMをロジスティック回帰、ランダムフォレスト、標準SVMとベンチマーク比較する。

実験結果

リサーチクエスチョン

• RQ1 産業用IoT環境下で、予測分析を活用して車両フリートの保守をどのように最適化できるか？
• RQ2 ファジィ論理を統合することで、多様な車両データにおける故障予測精度はどの程度向上するか？
• RQ3 フラットモデルと比較して、階層的分類アプローチは、複雑で多次元の属性を持つ車両故障パターンをより効果的に処理できるか？
• RQ4 ロジスティック回帰やランダムフォレストといった従来の機械学習モデルと比較して、HMFSVMの性能はどの程度か？
• RQ5 走行距離、年数、車両タイプといった車両固有の属性を統合することで、予知保守の成果にどのような影響を与えるか？

主な発見

• HMFSVMモデルは、ロジスティック回帰、ランダムフォレスト、標準SVMと比較して、車両故障の分類においてより高い予測精度を達成した。
• ファジィ論理の統合により、ノイズや曖昧なデータポイントがモデル性能に与える影響が顕著に低減された。
• 階層的構造により、多様な車両タイプや故障パターンにおける一般化性能が向上した。
• 実世界のテレマティクスデータに一般的に見られる不均衡データセットに対しても、本手法は頑健であった。
• 実験結果から、本手法は誤検出を低減し、早期故障検出を改善することが確認された。
• F1スコアやAUC-ROCを含む複数の評価指標において、モデルの性能が一貫して優れていた。