[論文レビュー] Uncovering the Underlying Physics of Degrading System Behavior Through a Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis

Sergio Cofre-Martel, Enrique López Droguett+1 more|arXiv (Cornell University)|Jun 10, 2020

Fault Detection and Control Systems参考文献 32被引用数 4

ひとこと要約

本論文では、センサデータから潜在変数とそれらを支配する偏微分方程式（PDE）を同定することで、工学的システムの劣化メカニズムを解明する物理則に基づいたディープラーニングフレームワークを提案する。三段階のディープニューラルネットワークに物理的制約を統合することで、予測可能な健全性指標を生成しながら、残存耐用年数（RUL）を予測する。これにより、ブラックボックス回帰をはるかに超えた透明性があり物理的に整合性のある予測が可能になる。

ABSTRACT

Deep learning (DL) has become an essential tool in prognosis and health management (PHM), commonly used as a regression algorithm for the prognosis of a system's behavior. One particular metric of interest is the remaining useful life (RUL) estimated using monitoring sensor data. Most of these deep learning applications treat the algorithms as black-box functions, giving little to no control of the data interpretation. This becomes an issue if the models break the governing laws of physics or other natural sciences when no constraints are imposed. The latest research efforts have focused on applying complex DL models to achieve a low prediction error rather than studying how the models interpret the behavior of the data and the system itself. In this paper, we propose an open-box approach using a deep neural network framework to explore the physics of degradation through partial differential equations (PDEs). The framework has three stages, and it aims to discover a latent variable and corresponding PDE to represent the health state of the system. Models are trained as a supervised regression and designed to output the RUL as well as a latent variable map that can be used and interpreted as the system's health indicator.

研究の動機と目的

• 予測保守（PHM）分野で用いられるディープラーニングモデルにおける解釈不能性の問題に対処すること。
• ディープラーニングをブラックボックスとして扱うのでなく、システムの劣化を支配する物理法則を明らかにするフレームワークを開発すること。
• システムの健全性状態を表す潜在変数とその対応する偏微分方程式（PDE）を同定すること。
• ディープラーニングアーキテクチャに制約を組み込むことで、モデルの予測が物理法則と整合的であることを保証すること。
• RUL予測と併せて解釈可能な健全性指標を生成することで、システム診断と意思決定の質を向上させること。

提案手法

• フレームワークは、センサデータからシステム劣化の潜在的表現を学習する三段階のディープニューラルネットワーク（DNN）アーキテクチャを採用する。
• 第一段階では、生のセンサデータをシステム健全性状態を表す低次元の潜在空間に符号化する。
• 第二段階では、時間的・空間的変化を示す潜在変数の進化を支配する偏微分方程式（PDE）を学習する。
• 第三段階では、学習済みの潜在変数とPDEを用いて、残存耐用年数（RUL）を予測する教師あり回帰を実行する。
• モデルは、物理的整合性を強制する損失関数で訓練され、PDEが既知の劣化ダイナミクスと整合することを保証する。
• 出力にはRUL予測に加え、潜在変数マップから導出された物理的に解釈可能な健全性指標が含まれる。

実験結果

リサーチクエスチョン

• RQ1 ディープニューラルネットワークフレームワークは、劣化するシステムの健全性状態を表す解釈可能な潜在変数を同定できるか？
• RQ2 フレームワークは、センサデータのみから劣化プロセスを支配する潜在的偏微分方程式（PDE）を同定できるか？
• RQ3 モデルは物理法則に整合しつつ、残存耐用年数（RUL）をどれほど正確に予測できるか？
• RQ4 標準的なブラックボックスディープラーニングと比較して、物理的制約の組み込みがモデルの解釈可能性と信頼性をどの程度向上させるか？
• RQ5 学習された潜在変数は、システム診断と予測のための意味のある健全性指標として機能できるか？

主な発見

• 提案されたフレームワークは、システムの健全性状態と相関する潜在変数を効果的に同定し、健全性指標として解釈可能であることを示した。
• モデルは劣化プロセスを支配する偏微分方程式（PDE）を同定し、データから物理的メカニズムを明らかにした。
• フレームワークは物理的整合性を保ちつつ、正確なRUL予測を達成し、既知の物理法則の違反を回避した。
• 潜在変数マップにより解釈可能性が向上し、生のセンサ出力以上の劣化進行の理解が可能になった。
• ディープラーニングアーキテクチャに物理的制約を統合することで、モデルの信頼性が向上し、非物理的予測のリスクが低減された。
• 本手法は、ディープラーニングを単なる予測手法としてではなく、劣化するシステムにおける隠れた物理的ダイナミクスを解明する可能性を示した。