[논문 리뷰] Hybrid deep fault detection and isolation: Combining deep neural networks and system performance models

Manuel Arias Chao, Chetan S. Kulkarni외 2명|arXiv (Cornell University)|2019. 08. 05.

Fault Detection and Control Systems인용 수 26

한 줄 요약

이 논문은 복잡한 시스템에서 고장 감지 및 고장을 향상시키기 위해 물리 기반 성능 모델과 데이터 기반 진단을 융합한 하이브리드 딥 러닝 프레임워크를 제안한다. 모델 校정을 통해 관측되지 않은 공정 변수를 추론함으로써 입력 표현을 향상시켜, 특히 변동하는 운영 조건 하에서도 뛰어난 고장 고립 능력을 확보한다. 이는 순수한 데이터 기반 접근 방식보다 감지 및 고립 정확도에서 뛰어나다.

ABSTRACT

With the increased availability of condition monitoring data and the increased complexity of explicit system physics-based models, the application of data-driven approaches for fault detection and isolation has recently grown. While detection accuracy of such approaches is generally good, their performance on fault isolation often suffers from the fact that fault conditions affect a large portion of the measured signals thereby masking the fault source. To overcome this limitation and enable a more accurate fault detection, we propose a hybrid approach combining physical performance models with deep learning algorithms. Unobserved process variables are inferred with a physics-based performance model to enhance the input space of a data-driven diagnostics model. To validate the effectiveness of the proposed method, we generate a condition monitoring dataset of an advanced gas turbine during flight conditions under healthy and four faulty operative conditions based on the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dynamical model. We evaluate the performance of the proposed method in combination with two different deep learning algorithms: feed forward neural networks and Variational Autoencoders, both of which demonstrate a significant improvement when applied within the hybrid fault detection and diagnostics framework. The proposed method is able to outperform pure data-driven solutions, particularly for systems with a high variability of operating conditions. It provides superior results both for fault detection as well as for fault isolation. For fault isolation, it overcomes the smearing effect that is observed in pure data-driven approaches and enables a precise isolation of the affected signal. We also demonstrate that deep learning algorithms provide a better performance on fault detection compared to the traditional machine learning algorithms.

연구 동기 및 목표

• 항공기 엔진과 같은 안전 중심 시스템에서 고장이 드물고 다양하기 때문에 레이블이 부여된 고장 데이터가 제한된 문제를 해결한다.
• 상호 연관된 신호가 진짜 고장 원인을 가리키는 '흩어림 효과'를 해결한다. 이는 데이터 기반 고장 고립에서 발생한다.
• 고장 감지 및 고립 성능을 향상시켜 운영 조건의 높은 변동성에 대응한다. 이는 전통적인 데이터 기반 모델의 성능 저하를 초래한다.
• 물리 시스템 모델과 딥 러닝을 모두 활용하는 하이브리드 프레임워크를 개발하여 표현 학습 및 고장 국소화 능력을 향상시킨다.
• 교정된 모델 변수가 잔차 또는 원시 센서 데이터만으로는 달성할 수 없는 고장 고립 능력을 크게 향상시킨다.

제안 방법

• 가스 터빈의 건강 및 네 가지 고장 조건 하에서 조건 모니터링 데이터를 생성하기 위해 C-MAPSS 동적 모델을 사용한다.
• 물리 기반 성능 모델을 사용하여 관측되지 않은 시스템 변수를 추론하여 상태 변수($\hat{X}_s$, $\hat{X}_v$) 및 모델 파라미터($\hat{\theta}$)의 교정된 추정치를 산출한다.
• 교정된 모델 출력을 딥 러닝 모델—특히 딥 피드포워드 신경망과 변분 오토인코더—에 입력으로 사용하여 향상된 입력 특징을 제공한다.
• 고장 감지를 일종의 일변도 분류 문제로 간주하고, 오직 건강한 데이터만을 사용하여 딥 러닝 모델을 훈련시킨다.
• 딥 러닝 모델의 잠재 공간 표현을 사용하여 건강한 운영 상태에서의 이탈을 감지한다.
• 고장 고립을 위해 교정된 모델 파라미터($\hat{\theta}$)를 활용하여 근본 원인을 특정한다. 이는 잔차 기반 방법에서 관찰되는 '흩어림 효과'를 피한다.

실험 결과

연구 질문

• RQ1 운영 조건의 변동성이 높은 시스템에서 물리 기반 모델과 딥 러닝을 융합한 하이브리드 접근 방식이 고장 감지 및 고장 고립 능력을 향상시킬 수 있는가?
• RQ2 교정된 모델 변수($\hat{\theta}$)를 포함시키면 잔차 또는 원시 데이터만을 사용하는 것보다 고장 고립 정확도가 향상되는가?
• RQ3 순수한 데이터 기반 딥 러닝 및 전통적인 OC-SVM 모델과 비교했을 때 하이브리드 방법의 고장 감지 및 고장 고립 성능은 어떠한가?
• RQ4 모델 교정의 품질이 하이브리드 프레임워크에서 고장을 고립하는 데 미치는 영향은 어느 정도인가?
• RQ5 딥 오토인코더의 잠재 공간은 원시 신호 또는 잔차 신호보다 더 유용한 시스템 건강 상태 표현을 제공하는가?

주요 결과

• 하이브리드 방법은 C-MAPSS 데이터셋에서 완벽한 고장 감지 정확도를 달성하여 순수한 데이터 기반 딥 러닝 모델과 전통적인 OC-SVM보다 뛰어났다.
• 교정된 모델 파라미터($\hat{\theta}$)를 포함시킴으로써 고장 고립 성능이 크게 향상되었으며, 정확한 근본 원인 특정이 가능해졌고, '흩어림 효과'를 극복했다.
• 변분 오토인코더와 딥 피드포워드 네트워크의 잠재 공간 표현은 건강 상태와 고장 상태를 명확히 구분지어 감지 작업을 단순화시켰다.
• 순수한 데이터 기반 모델이 분포 이탈로 인해 실패하는 상황에서도 이 방법은 뛰어난 강건성을 보였다.
• 잔차 기반 및 교정 기반 입력 모두 유사한 감지 성능을 보였지만, 고장 고립 정확도는 오직 교정 기반 입력에서 달성되었다.
• 프레임워크의 효과성은 물리 기반 모델의 정밀도에 의존한다. 모델 교정이 부정확하면 고장 고립 능력이 떨어지므로, 향후 연구에서는 모델 개선 또는 잔차 통합이 필요할 것으로 보인다.