[논문 리뷰] Data-Driven Fault Detection and Isolation Enhanced with System Structural Relationships (DX Competition)

D. Jung, Diaz-Gonzalez, Abel외 2명|arXiv (Cornell University)|2025. 01. 01.

Fault Detection and Control Systems인용 수 6

한 줄 요약

이 논문은 물리적 시스템 구조를 그레이박스 순환 신경망(RNN)에 통합하여 이상 탐지 및 고장 격리 능력을 향상시키는 데이터 기반 고장 진단 방법을 제안한다. 시스템 모델의 이분 그래프 표현을 사용하여, 정상 데이터만으로 훈련된 RNN 기반 잔차 생성기를 자동으로 설계함으로써 알려지지 않은 고장 유형의 탐지와 구조적 민감도 맵핑을 통한 향상된 고장 격리가 가능해진다. 이 방법은 내연기관 시험 벤치에서 강건한 고장 탐지를 달성하였으며, CUSUM 강화 잔차가 소규모 또는 일시적인 고장을 보다 잘 탐지하도록 기여하였다.

ABSTRACT

Fault detection and isolation are becoming increasingly important as modern systems become more complex. To encourage the development of new fault detection solutions that can operate with limited noisy data and an incomplete mathematical model, the DX 2025 LiU-ICE competition for diagnosis of the air path of an internal combustion engine was introduced. In this paper, we present our winning solution to this competition. Our fault detection architecture starts with a semi-supervised Transformer Autoencoder trained to reconstruct nominal data. Detected faults are then passed through a rule-based fault persistence filter that aims to suppress false positives. Once a fault is detected, we use four neural networks trained to estimate features determined from structural analysis of a partial system model. The residuals of these networks are fed to a supervised fault classification network that estimates the fault probabilities. With this architecture, we achieved an 87% detection rate with a 0% false alarm rate on the provided competition data. Additionally, our isolation architecture assigned the correct fault 73.8% probabilty on average. On unseen competition data from a new driving cycle, we achieved a 100% detection rate and assigned the correct fault 66.2% probability on average. On the other hand, the Transformer Autoencoder failed to transfer to the new driving conditions, causing many false alarms. We discuss ways future work can reduce this.

연구 동기 및 목표

• 특히 알려지지 않은 고장 유형에 대해 제한적이고 불균형한 훈련 데이터 문제를 해결한다.
• 순수 데이터 기반(블랙박스) 모델의 한계를 극복하기 위해 신경망 설계에 물리적 통찰을 통합한다.
• 시스템의 물리적 구조를 반영한 RNN 기반 잔차 생성기를 자동으로 생성하는 방법을 개발한다.
• 시스템 모델 내의 구조적 관계를 활용하여 고장 탐지 및 고장 격리 성능을 향상시킨다.
• 이상 분류 및 잔차 패턴 분석을 통해 알려지지 않은 고장 유형의 탐지를 가능하게 한다.

제안 방법

• 변수 간의 정성적 물리적 관계를 코딩하기 위해 시스템을 이분 그래프 모델로 표현한다.
• 구조적 모델을 사용하여 물리적 하위시스템과 입력-출력 의존성을 반영한 그레이박스 RNN 아키텍처를 자동으로 설계한다.
• 이상 분류기 생성을 위해 각 RNN 잔차 생성기를 오직 정상(고장 없음) 데이터만으로 훈련시킨다.
• 잔차 시계열에 CUSUM 검사를 적용하여 시간에 따라 누적된 편차를 통해 소규모 또는 일시적인 고장을 보다 잘 탐지하도록 한다.
• 잔차 트리거를 구조적 모델 관계를 통해 물리적 구성 요소에 매핑하여 고장 격리를 가능하게 한다.
• 일시적인 운전 조건을 포함한 실제 내연기관 시험 벤치에서 방법을 검증한다.

실험 결과

연구 질문

• RQ1 물리적 시스템 구조를 체계적으로 활용하여 데이터 기반 잔차 생성기를 설계할 수 있는가?
• RQ2 정상 데이터로 훈련된 그레이박스 RNN이 알려지지 않은 고장 유형을 탐지하면서도 고장 격리 능력을 유지할 수 있는가?
• RQ3 구조적 관계를 통합할 경우 블랙박스 모델 대비 고장 탐지 성능이 얼마나 향상되는가?
• RQ4 CUSUM 검사를 통한 시계열 처리가 저신호 상황에서 잔차 기반 고장 탐지에 어떻게 기여하는가?
• RQ5 잔차 패턴을 신뢰성 있게 물리적 구성 요소에 매핑하여 고장 격리 지원이 가능한가?

주요 결과

• 제안된 방법은 내연기관 공기 통로의 구조적 모델을 바탕으로 여덟 개의 서로 다른 그레이박스 RNN 잔차 생성기를 성공적으로 생성하였다.
• 정상 데이터만으로 훈련된 잔차 생성기는 알려진 고장 유형뿐 아니라 알려지지 않은 고장 유형까지 효과적으로 탐지하여 이상 분류의 능력을 입증하였다.
• CUSUM 검사는 잔차 편차를 시간에 따라 누적함으로써 고장 탐지 성능을 크게 향상시켰으며, 거짓 경고율을 감소시키고 소규모 고장을 조기에 탐지할 수 있도록 기여하였다.
• 센서 출력에 직접 영향을 주는 고장은 높은 민감도로 탐지되었지만, 온도와 같이 천천히 변화하는 신호는 충분한 자극을 확보하기 위해 연장된 데이터 커버리지가 필요하였다.
• 잔차 패턴을 통해 구조적 모델을 활용해 트리거된 잔차를 특정 구성 요소에 매핑함으로써 고장 격리가 가능해졌으며, 근본 원인 규명을 지원하였다.
• 이 방법은 일시적인 엔진 운전 조건에서도 강건한 성능을 보였으며, 고장 데이터가 제한된 실제 산업 시스템에의 적용 가능성을 검증하였다.