[論文レビュー] System-Level Predictive Maintenance: Review of Research Literature and Gap Analysis

Kyle M. Miller, Artur Dubrawski|arXiv (Cornell University)|May 11, 2020

Reliability and Maintenance Optimization被引用数 6

ひとこと要約

本論文は、構造的・物理的・保守データを統合して、アクティブな保守下での劣化軌道をモデル化する包括的で潜在状態を用いた予測保守手法を提案する。故障予測を再構成学習のタスクとして定式化し、再帰的ネットワークを用い、保守行動を状態遷移として組み込むことで、故障が遮断されたり観測されなかったりする状況でも信頼性の高いリスク予測が可能になる。これは、複雑なシステムにおける部品レベルモデルの限界を克服するものである。

ABSTRACT

This paper reviews current literature in the field of predictive maintenance from the system point of view. We differentiate the existing capabilities of condition estimation and failure risk forecasting as currently applied to simple components, from the capabilities needed to solve the same tasks for complex assets. System-level analysis faces more complex latent degradation states, it has to comprehensively account for active maintenance programs at each component level and consider coupling between different maintenance actions, while reflecting increased monetary and safety costs for system failures. As a result, methods that are effective for forecasting risk and informing maintenance decisions regarding individual components do not readily scale to provide reliable sub-system or system level insights. A novel holistic modeling approach is needed to incorporate available structural and physical knowledge and naturally handle the complexities of actively fielded and maintained assets.

研究の動機と目的

• 複雑な資産における部品レベルの予測保守とシステムレベルの故障予測の間のスケーラビリティのギャップを解消すること。
• 潜在劣化状態、保守による状態遷移、故障コストの複雑さといった、システムレベルの予測保守における主な課題を特定すること。
• 故障が遮断されたり観測されなかったりする場合に失敗する従来の教師ありRUL手法の限界を克服すること。
• 物理的知識と保守履歴を統合した包括的なモデリングフレームワークを構築し、信頼性と正確性を向上させること。
• 部品間の相互作用や保守行動が劣化軌道に顕著に影響を与える複雑なシステムにおいて、耐障害性のある故障リスク予測を可能にすること。

提案手法

• 資産の履歴を表現学習を用いて潜在ベクトル表現にマッピングすることで、システムの劣化を潜在状態空間プロセスとしてモデル化する。
• 深層再帰ネットワーク（例：LSTM、RNN）を用い、履歴センサーおよび保守データを段階的な潜在状態にエンコードする。
• 保守行動を離散的状態遷移として扱い、現在の潜在状態と行動タイプに加法関数を適用してモデル化する。
• 構造的・物理的・信頼性モデル（例：FMEA、PHM）をインダクティブバイアスとして組み込み、データ要件を低減し、モデルの一般化性能を向上させる。
• 部分的に観測可能なマルコフ意思決定過程（POMDP）フレームワーク内に問題を定式化し、未観測の故障イベントに対処するために予測状態表現（PSR）を用いる。
• 観測済みおよび遮断済みの故障データ、さらには観察期間中に故障しない資産を含む、エンドツーエンドの学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 保守行動は複雑なシステムにおける劣化軌道にどのように影響を与えるか。その影響を予測保守においていかにモデル化できるか。
• RQ2 なぜ部品レベルの予測保守手法はシステムレベルのインサイトにスケーリングできないのか。その背後にある構造的差異は何か。
• RQ3 統一された潜在状態表現モデルは、遮断済みの故障データや保守による状態遷移を効果的に扱えるか。
• RQ4 物理的および構造的知識をデータ駆動型劣化モデルに統合することで、信頼性を向上させるとともにデータ依存性を低減できるか。
• RQ5 部品間の統計的依存性がシステムレベルの故障確率に与える影響は何か。最大部品仮定を超えて、それらをどのようにモデル化できるか。

主な発見

• 部品レベルの予測保守手法は、複雑な潜在劣化状態と保守による状態遷移のため、システムレベルへのスケーリングがうまくいかない。
• 保守行動は劣化軌道に顕著に影響を与え、資産ライフサイクルの初期段階で従来の故障までの時間推定が誤解を招く可能性がある。
• 観察期間中に故障しない資産は、標準的な教師ありRUL予測には使用できないため、遮断データを扱えるモデルの必要性が浮き彫りになる。
• POMDPおよびPSRに基づいた潜在状態表現アプローチにより、故障が未観測であったり保守が信号を歪めたりする状況でも、信頼性の高い故障リスク予測が可能になる。
• 物理的および構造的知識をモデルに組み込むことで、データ要件が低減され、モデルの正確性と解釈可能性が向上する。
• 提案されたフレームワークは、保守行動と部品相互作用の結合を自然に扱えるため、個別最大値や独立モデルよりも、より正確なシステムレベルのリスク予測が可能になる。