[논문 리뷰] Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines

Sabtain Ahmad, Kevin Styp-Rekowski외 2명|arXiv (Cornell University)|2021. 01. 27.

Anomaly Detection Techniques and Applications참고 문헌 22인용 수 10

한 줄 요약

이 논문은 원시 진동 신호를 사용하여 회전 기계의 상태 모니터링 및 이상 탐지에 대해 LSTM 오토인코더 기반의 비지도 학습 방법을 제안한다. 레이블이 없는 정상 데이터로부터 정상 행동을 학습하고 복원 오차를 통해 이상을 탐지함으로써, 실제 데이터셋에서 99.6%의 F1 스코어를 달성하여 수작업 특징 공학을 필요로 하지 않으면서도 수작업 특징보다 이상 탐지 성능이 뛰어나다.

ABSTRACT

Rotating machines like engines, pumps, or turbines are ubiquitous in modern day societies. Their mechanical parts such as electrical engines, rotors, or bearings are the major components and any failure in them may result in their total shutdown. Anomaly detection in such critical systems is very important to monitor the system's health. As the requirement to obtain a dataset from rotating machines where all possible faults are explicitly labeled is difficult to satisfy, we propose a method that focuses on the normal behavior of the machine instead. We propose an autoencoder model-based method for condition monitoring of rotating machines by using an anomaly detection approach. The method learns the characteristics of a rotating machine using the normal vibration signals to model the healthy state of the machine. A threshold-based approach is then applied to the reconstruction error of unseen data, thus enabling the detection of unseen anomalies. The proposed method can directly extract the salient features from raw vibration signals and eliminate the need for manually engineered features. We demonstrate the effectiveness of the proposed method by employing two rotating machine datasets and the quality of the automatically learned features is compared with a set of handcrafted features by training an Isolation Forest model on either of these two sets. Experimental results on two real-world datasets indicate that our proposed solution gives promising results, achieving an average F1-score of 99.6%.

연구 동기 및 목표

• 라벨이 부여된 고장 데이터에 의존하지 않는 비지도 이상 탐지 방법을 개발하는 것.
• 원시 진동 신호에서 중요한 특징을 자동으로 학습함으로써 수작업 특징 공학의 필요성을 제거하는 것.
• LSTM 오토인코더의 잠재 표현을 활용하여 이상 탐지 성능을 향상시키는 것.
• 오토인코더가 학습한 특징이 Isolation Forest와 같은 후행 탐지 모델에서 수작업 특징보다 우수한 성능을 낼 수 있음을 입증하는 것.
• 정상 작동 상태만 모델링함으로써 이전에 보지 못한 이상을 탐지할 수 있도록 하는 것.

제안 방법

• 정상 진동 신호만으로 구성된 데이터에 대해 LSTM 오토인코더를 훈련시어 정상 상태의 압축되고 의미 있는 표현을 학습한다.
• 모델은 출력층에서 입력 신호를 복원하고, 복원 오차를 이상도 수치로 사용한다.
• 미리 보지 못한 데이터의 복원 오차에 임계값 기반 접근법을 적용하여 이상을 분류한다.
• 부저락 레이어에서 추출한 잠재 공간 특징을 후행 Isolation Forest 모델의 입력으로 사용하여 비교한다.
• FFT나 수작업 특징 추출과 같은 전처리 단계 없이 시간 도메인 신호 그대로로 작동한다.
• 다양한 고장 패tern과 낮은 이상 빈도를 가지는 두 개의 실제 회전 기계 데이터셋에서 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 정상 진동 신호만으로 훈련된 오토인코더가 회전 기계에서 미리 보지 못한 이상을 효과적으로 탐지할 수 있는가?
• RQ2 오토인코더가 학습한 특징에 기반한 이상 탐지 성능가 수작업 특징에 기반한 성능와 비교해 볼 때 어떻게 다른가?
• RQ3 LSTM 오토인코더의 잠재 표현이 신뢰할 수 있는 상태 모니터링을 위해 충분한 건강 정보를 포착할 수 있는가?
• RQ4 수작업 특징 공학에 기반한 모델과 비교해 본다면, 제안된 방법이 임계값 오류를 줄일 수 있는가?
• RQ5 유사한 고장 방식을 가진 다양한 회전 기계 간에 학습된 특징이 일반화될 수 있는가?

주요 결과

• 제안된 LSTM 오토인코더는 두 번째 실제 데이터셋에서 평균 F1 스코어 99.6%를 달성하여 수작업 특징 기반 모델보다 뚜렷이 뛰어난 성능을 보였다.
• LSTM 오토인코더가 추출한 특징을 사용한 Isolation Forest 모델(AFE_IF)은 수작업 특징 공학에 기반한 모델(MFE_IF)보다 높은 정밀도와 낮은 가짜 양성 비율을 기록했다.
• RM-3 및 RM-5에서 MFE_IF 모델은 TPR(1.0)가 높았지만, AFE_IF 모델은 훨씬 적은 가짜 양성 비율을 기록하여 실용적 신뢰성이 뛰어나다는 것을 시사했다.
• LSTM 오토인코더의 잠재 표현은 전통적인 수작업 특징보다 체계적 건강 정보를 더 효과적으로 포착했으며, 이는 F1 스코어가 99.6% 대비 97% 및 93%로 뛰어난 성능을 보여주었다.
• IMS 데이터셋에서 네 개의 고장 난 베어링을 모두 탐지하여 다양한 고장 유형과 기계 유형 간의 강건성을 입증했다.
• 이 방법은 고장 유형에 대한 사전 지식 없이도 효과적인 이상 탐지를 가능하게 하여, 이상이 드물고 다양한 실세계 환경에 적합하다.