[논문 리뷰] A dissimilarity-based approach to predictive maintenance with application to HVAC systems

Riccardo Satta, Stefano Cavallari외 4명|arXiv (Cornell University)|2017. 01. 13.

Facilities and Workplace Management참고 문헌 27인용 수 14

한 줄 요약

이 논문은 동일한 17대의 단일 유형 장비로 구성된 집단에서 운영 데이터 간 상호 차이를 분석함으로써, HVAC 시스템의 예측 정비를 위한 비유사성 기반 기계학습 접근법을 제안한다. 상호 간 비유사성 모델링을 통해, 고장을 예측하는 데 최대 0.96 AUC를 달성하며, 실제 병원 HVAC 데이터에서 뛰어난 성능을 보였다.

ABSTRACT

The goal of predictive maintenance is to forecast the occurrence of faults of an appliance, in order to proactively take the necessary actions to ensure its availability. In many application scenarios, predictive maintenance is applied to a set of homogeneous appliances. In this paper, we firstly review taxonomies and main methodologies currently used for condition-based maintenance; secondly, we argue that the mutual dissimilarities of the behaviours of all appliances of this set (the "cohort") can be exploited to detect upcoming faults. Specifically, inspired by dissimilarity-based representations, we propose a novel machine learning approach based on the analysis of concurrent mutual differences of the measurements coming from the cohort. We evaluate our method over one year of historical data from a cohort of 17 HVAC (Heating, Ventilation and Air Conditioning) systems installed in an Italian hospital. We show that certain kinds of faults can be foreseen with an accuracy, measured in terms of area under the ROC curve, as high as 0.96.

연구 동기 및 목표

• 동일한 유형의 기기 집단 간의 집합적 행동 패턴을 활용하여 조건 기반 시스템의 예측 정비를 향상시키기 위해.
• 개별 모델이 충분한 데이터를 확보하기 어려운 복잡한 실세계 HVAC 시스템에서 고장 탐지 문제를 해결하기 위해.
• 시스템 측정치 간 상호 비유사성을 사용하여 초기 고장을 탐지하는 기계학습 프레임워크를 개발하기 위해.
• 실제 병원 HVAC 설치 장비의 역연도 데이터를 이용해 방법의 실용성과 성능을 평가하기 위해.
• 상호 간 비유사성 패턴이 시스템 열화의 신뢰할 수 있는 조기 지표로 기능할 수 있음을 보여주기 위해.

제안 방법

• 모든 HVAC 장비에서 수집한 시계열 측정치를 기반으로, 집단 내 모든 장비 간의 쌍별 운영 행동 차이를 캡처하는 비유사성 행렬을 구성한다.
• 비유사성 기반 표현 학습 접근법을 적용하여, 각 시스템의 행동을 비유사성 공간 내의 점으로 간주한다.
• 집단 내 동시 비유사성 패턴을 활용하여 고장을 앞서는 비정상 패턴을 탐지한다.
• 비유사성 특징을 기반으로 고장을 예측하는 기계학습 분류기를 훈련한다.
• 개별 고장 전용 모델이 필요로 하지 않으며, 대신 집단적 행동 추세에 의존한다.
• 17대의 HVAC 장비에서 확보한 1년치 역사적 데이터를 사용하여 ROC AUC를 주요 평가 지표로 활용해 방법을 평가한다.

실험 결과

연구 질문

• RQ1 HVAC 장비 집단 간의 상호 비유사성이 고장을 앞서 신뢰성 있게 나타낼 수 있는가?
• RQ2 개별 시스템 모델링 대비 비유사성 기반 표현은 고장을 탐지하는 데 얼마나 효과적인가?
• RQ3 실세계 HVAC 데이터에서 유일하게 시스템 간 비유사성 패턴만을 사용해 어떤 정도의 예측 정확도를 달성할 수 있는가?
• RQ4 이 방법은 유지보수 조치를 취할 수 있는 충분한 사전 시간을 확보하면서 고장을 사전에 탐지할 수 있는가?
• RQ5 이 방법은 실제 병원 환경에서 다양한 유형의 HVAC 고장에 대해 일반화 가능한가?

주요 결과

• 일부 유형의 HVAC 고장을 예측하는 데 있어 수신기 작동 특성 곡선 아래 면적(AUC)이 최대 0.96에 도달했다.
• 개별 고장 모델이 필요 없이도, 집단 내 비유사성 패턴만으로도 고장을 높은 정확도로 탐지할 수 있었다.
• 이상적인 시스템 간 비유사성 동역학의 변화를 탐지함으로써, 초기 고장을 성공적으로 식별하였다.
• 실세계 HVAC 운영에서 관찰된 다양한 고장 유형에 대해 모델가 강건성과 일반화 능력을 입증하였다.
• 결과적으로, 비유사성 지표를 통한 집단 행동 분석이 예측 정비에 강력한 신호가 될 수 있음을 확인하였다.
• 한 단위당 고장 데이터가 제한된 상황에서, 전통적인 개별 시스템 모델링 대비 이 방법이 더 뛰어난 성능을 보였다.