[논문 리뷰] Deep Learning and Its Applications to Machine Health Monitoring: A Survey

Rui Zhao, Ruqiang Yan외 4명|arXiv (Cornell University)|2016. 12. 16.

Anomaly Detection Techniques and Applications참고 문헌 64인용 수 149

한 줄 요약

이 설문조사는 심층 학습 모델(AE, RBM/DBN/DBM, CNN, RNN)이 기계 상태 모니터링에 어떻게 적용되는지 검토하고, 엔드투엔드 학습 및 전통적인 방법에 비해 데이터 기반의 이점을 강조합니다.

ABSTRACT

Since 2006, deep learning (DL) has become a rapidly growing research direction, redefining state-of-the-art performances in a wide range of areas such as object recognition, image segmentation, speech recognition and machine translation. In modern manufacturing systems, data-driven machine health monitoring is gaining in popularity due to the widespread deployment of low-cost sensors and their connection to the Internet. Meanwhile, deep learning provides useful tools for processing and analyzing these big machinery data. The main purpose of this paper is to review and summarize the emerging research work of deep learning on machine health monitoring. After the brief introduction of deep learning techniques, the applications of deep learning in machine health monitoring systems are reviewed mainly from the following aspects: Auto-encoder (AE) and its variants, Restricted Boltzmann Machines and its variants including Deep Belief Network (DBN) and Deep Boltzmann Machines (DBM), Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN). Finally, some new trends of DL-based machine health monitoring methods are discussed.

연구 동기 및 목표

• 물리 기반 및 핸드 크래프된 특징 방법에서 데이터 기반의 DL 기반 MHMS로의 전환을 현대 제조 시스템에서 동기 부여합니다.
• MHMS에 사용되는 DL 아키텍처를 요약하고, 원시 데이터에서 계층적 표현을 어떻게 학습하는지 설명합니다.
• 전통적인 데이터 기반 MHMS와 DL 기반 MHMS를 비교하고 엔드 투 엔드 학습의 이점을 논의합니다.
• MHMS의 고장 진단 및 예측에 DL 모델을 적용하는 방법에 대한 지침을 제공합니다.

제안 방법

• MHMS에 적용 가능한 DL 아키텍처를 설명합니다(Auto-encoders와 그 변형(SAE, DAE, SDA) 및 사전 학습의 이점 포함).
• 다층 확률 모델로서의 RBM, DBN, DBM과 대표 학습 역할을 설명합니다.
• MHMS의 1D/2D 데이터에 대한 CNN을 개괄하고 컨볼루션, 풀링 및 특징 추출 메커니즘을 자세히 설명합니다.
• 일련 데이터에 대한 RNN 및 변형(LSTM, GRU)과 이들의 기억 능력을 설명합니다.
• 핸드 크래프된 특징 없이 모든 계층이 공동으로 학습되는 엔드투엔드 DL 기반 MHMS 파이프라인을 논의합니다.
• DL 모델이 최상위 계층을 조정하여 진단에서 예측으로 전환하는 방법을 강조합니다.

실험 결과

연구 질문

• RQ1 기계 데이터에서 건강 모니터링을 위한 계층적 표현을 추출하는 데 효과적인 DL 아키텍처는 무엇인가요?
• RQ2 DL 기반 MHMS가 대규모의 노이즈가 많은 센서 데이터 처리에서 기존 데이터 기반 접근법과 어떻게 비교되나요?
• RQ3 엔드투엔드 DL 시스템이 고장 진단 및 예측에서 핸드 크래프된 특징 설계의 필요성을 줄일 수 있나요?
• RQ4 사전 학습 및 변형(AE, RBM/DBN/DBM, CNN, RNN)이 MHMS 성능 향상에 어떤 역할을 하나요?

주요 결과

• DL 기반 MHMS는 원시 데이터에서 표현을 엔드투엔드로 학습할 수 있어 핸드 크래프된 특징에 대한 의존도를 줄입니다.
• 자동 인코더와 그 변형은 의미 있는 표현을 학습할 수 있으며 MHMS에서 깊은 네트워크의 사전 학습에 사용할 수 있습니다.
• RBM 기반 모델(DBN, DBM)과 그 변형은 MHMS의 고장 진단 및 남은 사용 수명 예측에 적용되었습니다.
• CNN과 RNN은 상태 인식 및 RUL 추정을 위해 시계열 및 시계-주파수 데이터에 효과적으로 적용됩니다.
• DL 기반 MHMS는 대규모 데이터 처리에 대한 향상된 처리 능력을 보여주고 기계 및 도메인 간의 유연성을 제공합니다.