[논문 리뷰] Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation

Joseph Cohen, Xun Huan외 1명|arXiv (Cornell University)|2023. 03. 23.

Machine Fault Diagnosis Techniques참고 문헌 19인용 수 5

한 줄 요약

이 논문은 NASA CMAPSS 데이터셋을 사용하여 터보팬 엔진 고장 예측을 위한 다중 작업 딥러닝 프레임워크인 ANN-Flux를 제안한다. 고유 손실 함수와 PCA 처리된 타임도메인 특징을 통해 건강 상태, 최종 고장 모드 및 잔여 수명(RUL)을 동시에 예측하며, 이로 인해 기존 방법 대비 38% 낮은 RUL RMSE와 0.95 초과의 AUROC를 달성하면서도 계산 비용을 감소시켰다.

ABSTRACT

In the era of industrial big data, prognostics and health management is essential to improve the prediction of future failures to minimize inventory, maintenance, and human costs. Used for the 2021 PHM Data Challenge, the new Commercial Modular Aero-Propulsion System Simulation dataset from NASA is an open-source benchmark containing simulated turbofan engine units flown under realistic flight conditions. Deep learning approaches implemented previously for this application attempt to predict the remaining useful life of the engine units, but have not utilized labeled failure mode information, impeding practical usage and explainability. To address these limitations, a new prognostics approach is formulated with a customized loss function to simultaneously predict the current health state, the eventual failing component(s), and the remaining useful life. The proposed method incorporates principal component analysis to orthogonalize statistical time-domain features, which are inputs into supervised regressors such as random forests, extreme random forests, XGBoost, and artificial neural networks. The highest performing algorithm, ANN-Flux, achieves AUROC and AUPR scores exceeding 0.95 for each classification. In addition, ANN-Flux reduces the remaining useful life RMSE by 38% for the same test split of the dataset compared to past work, with significantly less computational cost.

연구 동기 및 목표

• 고장 모드 정보를 레이블링한 정보를 통합하여 터보팬 엔진 건강 관리의 예측 정확도와 해석 가능성 향상을 도모하기 위해.
• 기존 딥러닝 모델이 고장 나기 전의 RUL만 예측할 뿐 실패한 부품을 특정하지 않는 한계를 해결하기 위해.
• CMAPSS 벤치마크 데이터셋에서 성능을 유지하거나 향상시키면서도 계산 비용을 감소시키기 위해.
• 건강 상태, 고장 모드, 잔여 수명을 동시에 추정하는 통합 프레임워크를 개발하기 위해.
• 산업 정비 응용 분야에서의 모델 해석 가능성과 실용성 향상을 위해.

제안 방법

• 엔진 센서 데이터에서 추출한 통계적 타임도메인 특징을 정규화하기 위해 주성분 분석(PCA)을 적용한다.
• 건강 상태 분류, 최종 고장 모드 예측, RUL 회귀를 동시에 최적화하기 위해 맞춤형 다중 작업 손실 함수를 설계한다.
• 랜덤 포레스트, XGBoost, 극단적 랜덤 포레스트 및 인공 신경망(ANN)을 포함한 지도 학습 회귀기들을 PCA로 압축된 특징에 대해 훈련한다.
• 가장 높은 성능를 보인 모델인 ANN-Flux는 다중 작업 손실 함수로 최적화된 딥 네트워크 아키텍처이다.
• 모델은 실제 터보팬 엔진 운영을 시뮬레이션한 2021년 PHM 데이터 챌린지의 오픈소스 CMAPSS 데이터셋에서 훈련 및 평가된다.
• 여러 고장 모드 및 RUL 예측 작업에 대해 AUROC, AUPR, RMSE 지표를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 통합 딥러닝 모델이 터보팬 엔진의 잔여 수명과 최종 고장 모드를 효과적으로 동시에 예측할 수 있는가?
• RQ2 맞춤형 손실 함수를 통해 레이블된 고장 모드 정보를 통합하면 예측 정확도와 모델의 해석 가능성 향상에 기여하는가?
• RQ3 PCA 기반 특징 정규화가 엔진 예측에서 후행 회귀기의 성능을 어느 정도 향상시키는가?
• RQ4 제안된 다중 작업 학습 프레임워크는 단일 작업 RUL 예측 모델 대비 RUL RMSE와 계산 효율성 측면에서 어떻게 비교되는가?
• RQ5 모델은 고장 모드 분류에 대해 높은 AUROC와 AUPR 점수를 확보하면서도 낮은 RUL 예측 오차를 유지할 수 있는가?

주요 결과

• ANN-Flux 모델은 모든 고장 모드 분류 작업에서 AUROC 및 AUPR 점수가 0.95를 초과한다.
• 동일한 테스트 분할에서 기존 최고 수준의 방법 대비 ANN-Flux는 잔여 수명(RUL)의 RMSE를 38% 감소시켰다.
• 동일한 벤치마크에서 이전의 딥러닝 접근 방식보다 상당히 낮은 계산 비용을 기록했다.
• PCA 기반 특징 변환은 모든 테스트 알고리즘에서 지도 학습 회귀기의 안정성과 성능을 향상시켰다.
• 맞춤형 손실 함수를 갖춘 다중 작업 학습 프레임워크는 높은 정확도와 일관성으로 건강 상태, 고장 모드, RUL를 동시에 예측할 수 있었다.
• 제안된 방법은 분류 및 회귀 작업 모두에서 기존 모델을 능가하며 산업용 예측 유지보수에 실용적인 솔루션을 제공한다.