[論文レビュー] Remaining Useful Life Estimation Using Functional Data Analysis

Qiyao Wang, Shuai Zheng+3 more|arXiv (Cornell University)|Apr 12, 2019

Fault Detection and Control SystemsEngineering参考文献 30被引用数 19

ひとこと要約

本稿では、関数データ解析（FDA）を用いた関数的マルチレイヤーパーセプトロン（関数的MLP）を提案し、センサ時系列を連続確率過程としてモデル化することで、残存耐用年数（RUL）推定を向上させる。この手法は、単位内相関と単位間ばらつきを捉え、NASA C-MAPSSベンチマークデータ上でSOTA性能を達成し、LSTM比で平均RMSEが26.89%改善され、平均スコアが70.54%向上した。

ABSTRACT

Remaining Useful Life (RUL) of an equipment or one of its components is defined as the time left until the equipment or component reaches its end of useful life. Accurate RUL estimation is exceptionally beneficial to Predictive Maintenance, and Prognostics and Health Management (PHM). Data driven approaches which leverage the power of algorithms for RUL estimation using sensor and operational time series data are gaining popularity. Existing algorithms, such as linear regression, Convolutional Neural Network (CNN), Hidden Markov Models (HMMs), and Long Short-Term Memory (LSTM), have their own limitations for the RUL estimation task. In this work, we propose a novel Functional Data Analysis (FDA) method called functional Multilayer Perceptron (functional MLP) for RUL estimation. Functional MLP treats time series data from multiple equipment as a sample of random continuous processes over time. FDA explicitly incorporates both the correlations within the same equipment and the random variations across different equipment's sensor time series into the model. FDA also has the benefit of allowing the relationship between RUL and sensor variables to vary over time. We implement functional MLP on the benchmark NASA C-MAPSS data and evaluate the performance using two popularly-used metrics. Results show the superiority of our algorithm over all the other state-of-the-art methods.

研究の動機と目的

• 既存のデータ駆動型RUL推定手法が、単位内での時間的相関や単位間のランダム変動を十分にモデル化できないという限界を解消すること。
• センサ時系列を連続的関数的データとして扱うことで、動的劣化パターンをよりよく捉える新しい深層学習フレームワークの開発。
• センサ変数と残存寿命との間の時間変動的関係を明示的にモデル化することで、RUL予測精度の向上。
• RMSEとスコアベースの指標を用いて、標準的なNASA C-MAPSSベンチマークデータセット上で提案手法の評価。
• LSTM、CNN、HMMsなどのSOTAモデルと比較し、RUL推定において優れた性能を示すことを実証すること。

提案手法

• 関数的MLPは、各機器のセンサ時系列を時間にわたる連続確率過程のサンプルとして扱い、関数的データのFDAベースのモデリングを可能にする。
• 全時系列を関数的観測としてモデル化することで、単位内時間的相関と単位間ランダムばらつきを組み込む。
• 関数的主成分分析（FPCA）を用いて、生の時系列データから低次元の関数的特徴を抽出する。
• 多層パーセプトロンを、関数的主成分スコア上で訓練し、RULを予測する。これにより、特徴量とRULとの間の柔軟で時間変動的な関係を捉えることが可能になる。
• RNN や LSTM とは異なり、固定されたマッピングに関する強い仮定を避けるために、関数的表現を活用する。
• RMSEと非対称スコア指標（過剰推定に対してより高いペナルティを課す）に基づく損失関数を用いて、バックプロパゲーションによるエンドツーエンド学習を実施する。

実験結果

リサーチクエスチョン

• RQ1 センサ時系列を連続的関数的プロセスとしてモデル化することで、標準的なディープラーニングモデルと比較してRUL推定精度が向上するか？
• RQ2 関数的MLPは、劣化パターンにおける単位内時間的依存性と単位間ばらつきをどのように処理するか？
• RQ3 RNN や LSTM に内在する固定マッピング仮定に起因するバイアスは、関数的アプローチによって軽減されるか？
• RQ4 関数的MLPは、NASA C-MAPSSベンチマークデータセット上でSOTA手法をどの程度上回るか？
• RQ5 C-MAPSSデータセットにおける異なるエンジンタイプや故障モードにおいて、モデルはどのように性能を発揮するか？

主な発見

• 関数的MLPは、C-MAPSSの4つのデータサブセットすべてにおいて、LSTM比で平均26.89%のRMSE改善を達成した。
• スコア指標において、関数的MLPはLSTM比で平均70.54%の改善を示し、過剰推定の処理が優れていることを示した。
• FD001では、RMSEが13.36にまで低下し、LSTMの16.14を上回り、17.22%の改善を達成した。
• スコア指標において、FD001では関数的MLPが2.0×10²を達成したのに対し、LSTMは3.4×10²であった。これは41.18%の改善に相当する。
• 可視化比較により、推定されたRULが、特に寿命終了付近で真のRULをよく追跡していることが示され、高い予測信頼性を示した。
• 関数的MLPは、FD001～FD004の全4つのC-MAPSSデータサブセットで一貫した優位性を示し、さまざまな故障モードに対しても頑健であることが確認された。