[논문 리뷰] An Explainable Deep Learning-based Prognostic Model for Rotating Machinery

Namkyoung Lee, Michael H. Azarian외 1명|arXiv (Cornell University)|2020. 04. 28.

Machine Fault Diagnosis Techniques참고 문헌 26인용 수 11

한 줄 요약

이 논문은 푸리에 변환, 옥타브 대역 필터링, 오토에인코더, 피드포워드 신경망을 조합하여 회전 기계의 잔여 수명(RUL)을 예측하기 위한 해석 가능한 딥러닝 모델을 제안한다. 이 방법은 입력 신호를 옥타브 대역으로 필터링하여 모델 복잡도를 감소시키며, 이는 컨볼루션 레이어를 모방하고 해석 가능성과 높은 RUL 예측 정확도를 유지한다.

ABSTRACT

This paper develops an explainable deep learning model that estimates the remaining useful lives of rotating machinery. The model extracts high-level features from Fourier transform using an autoencoder. The features are used as input to a feedforward neural network to estimate the remaining useful lives. The paper explains the model's behavior by analyzing the composition of the features and the relationships between the features and the estimation results. In order to make the model explainable, the paper introduces octave-band filtering. The filtering reduces the input size of the autoencoder and simplifies the model. A case study demonstrates the methods to explain the model. The study also shows that the octave band-filtering in the model imitates the functionality of low-level convolutional layers. This result supports the validity of using the filtering to reduce the depth of the model.

연구 동기 및 목표

• 정확한 잔여 수명(RUL) 예측을 제공하는 회전 기계를 위한 예측 모델을 개발하기 위해.
• 학습된 특징의 구성과 특징 간 관계를 분석하여 모델의 해석 가능성을 향상시키기 위해.
• 저수준의 컨볼루션 레이어 대체로 옥타브 대역 필터링을 도입하여 모델의 복잡도와 깊이를 감소시키기 위해.
• 옥타브 대역 필터링이 모델을 단순화하면서도 성능을 유지하는지 효과적으로 검증하기 위해.
• 사례 연구와 특징 수준 분석을 통해 모델의 해석 가능성에 대한 실증을 제공하기 위해.

제안 방법

• 모델은 원시 진동 신호에 푸리에 변환을 적용하여 주파수 도메인 표현을 추출한다.
• 푸리에 변환된 신호에 옥타브 대역 필터링을 적용하여 입력 차원을 감소시키고 특징 학습을 단순화한다.
• 오토에인코더는 필터링된 주파수 데이터로부터 고수준의 압축된 특징을 추출한다.
• 추출된 특징은 잔여 수명(RUL) 예측을 위해 피드포워드 신경망에 입력된다.
• 학습된 특징의 구성과 RUL 예측에 대한 관계 분석을 통해 모델의 해석 가능성을 확보한다.
• 실제 회전 기계 데이터를 활용한 사례 연구를 통해 기준 모델과의 성능 및 해석 가능성 비교를 통해 방법의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 회전 기계의 RUL 예측을 위한 딥러닝 모델의 해석 가능성을 높일 수 있는가?
• RQ2 옥타브 대역 필터링은 예측 성능을 유지하면서 모델 복잡도를 어느 정도 감소시키는가?
• RQ3 옥타브 대역 필터링은 신호 처리에서 저수준의 컨볼루션 레이어의 功能을 효과적으로 모방할 수 있는가?
• RQ4 오토에인코더에서 학습된 특징은 최종 RUL 예측과 어떤 관계가 있는가?
• RQ5 특징 수준의 해석 가능성은 산업 현장에서 모델 신뢰도와 활용성에 어떤 영향을 미치는가?

주요 결과

• 옥타브 대역 필터링은 오토에인코더의 입력 크기를 효과적으로 감소시켜 모델 아키텍처를 단순화한다.
• 이 필터링 과정은 저수준의 컨볼루션 레이어의 행동을 모방하며, 경량 대체 수 Mittel로의 유효성을 입증한다.
• 특징 분석을 통해 높은 RUL 예측 정확도를 유지하면서도 모델의 해석 가능성을 확보한다.
• 특징 구성 분석을 통해 주파수 성분과 잔여 수명 간의 의미 있는 관계를 규명한다.
• 사례 연구를 통해 모델의 예측이 정확하고 해석 가능하다는 점을 입증하며, 실세계 예측 응용에 대한 도입 가능성을 뒷받침한다.
• 필터링과 오토에인코더의 통합은 모델의 깊이, 성능, 해석 가능성 간의 균형을 가능하게 한다.