[논문 리뷰] Hybrid variable monitoring: An unsupervised process monitoring framework with binary and continuous variables

Min Wang, Donghua Zhou외 1명|arXiv (Cornell University)|2021. 10. 19.

Fault Detection and Control Systems인용 수 15

한 줄 요약

이 논문은 연속형 및 이진 데이터를 결합한 하이브리드 변수를 위한 확률 모델을 사용하는 새로운 비지도 프로세스 모니터링 프레임워크인 HVM을 제안한다. 하이브리드 변수에 특화된 새로운 통계량과 모니터링 전략을 정의함으로써, 건강 상태 데이터만을 사용하여도 효과적인 고장 탐지가 가능하며, 시뮬레이션 및 실세계 초초임계 발전소 사례에서의 성능이 뛰어나다는 것이 입증되었다.

ABSTRACT

Traditional process monitoring methods, such as PCA, PLS, ICA, MD et al., are strongly dependent on continuous variables because most of them inevitably involve Euclidean or Mahalanobis distance. With industrial processes becoming more and more complex and integrated, binary variables also appear in monitoring variables besides continuous variables, which makes process monitoring more challenging. The aforementioned traditional approaches are incompetent to mine the information of binary variables, so that the useful information contained in them is usually discarded during the data preprocessing. To solve the problem, this paper focuses on the issue of hybrid variable monitoring (HVM) and proposes a novel unsupervised framework of process monitoring with hybrid variables including continuous and binary variables. HVM is addressed in the probabilistic framework, which can effectively exploit the process information implicit in both continuous and binary variables at the same time. In HVM, the statistics and the monitoring strategy suitable for hybrid variables with only healthy state data are defined and the physical explanation behind the framework is elaborated. In addition, the estimation of parameters required in HVM is derived in detail and the detectable condition of the proposed method is analyzed. Finally, the superiority of HVM is fully demonstrated first on a numerical simulation and then on an actual case of a thermal power plant.

연구 동기 및 목표

• 기존 프로세스 모니터링 방법이 연속형 변수에 크게 의존하고 이진 변수를 무시하는 데서 발생하는 격차를 해소하기 위해.
• 건강 상태 데이터만을 사용하여 연속형 및 이진 변수를 모두 활용하는 비지도 프레임워크를 개발하기 위해.
• 확률 모델 프레임워크 내에서 하이브리드 변수에 적합한 새로운 통계적 측정치와 모니터링 전략을 정의하기 위해.
• 제안된 방법의 물리적 해석 가능성과 모델 매개변수 추정 절차를 제공하기 위해.
• HVM 프레임워크에서 고장을 탐지할 수 있는 조건을 확인하고, 합성 및 실세계 산업 데이터에서의 효과성을 입증하기 위해.

제안 방법

• 연속형 및 이진 변수를 함께 모델링할 수 있도록 하이브리드 변수 모니터링(HVM)을 확률 모델 프레임워크 내에 정식화하기 위해.
• 조건부 확률을 매개변수화한 방식을 사용하여 연속형 및 이진 변수 간의 상관관계를 반영하는 공동 확률 분포를 정의하기 위해.
• 관측된 데이터 패턴에 기반하여 모델 매개변수, 특히 ζ 및 ζ′에 대한 최대우도 추정량을 유도하기 위해.
• 정상 조건 하에서의 공동 분포에 대한 로그우도비를 기반으로 한 모니터링 통계량을 구성하기 위해.
• 변수 패턴의 이탈에 대한 우도비의 민감도를 분석하여 고장을 탐지할 수 있는 조건을 설정하기 위해.
• 추정된 매개변수를 사용하여 모니터링 통계량을 계산하고, 정상 상태 데이터만을 사용하여 제어 한계를 설정하기 위해.

Figure 1: Transformation of the natural logarithmic function.

실험 결과

연구 질문

• RQ1 연속형 및 이진 변수를 모두 포함하는 프로세스를 건강 상태 데이터만으로 효과적으로 모니터링할 수 있는 통합된 비지도 프레임워크가 존재하는가?
• RQ2 연속형 및 이진 변수 간의 통계적 종속성을 어떻게 모델링할 수 있으며, 이를 통해 프로세스의 정보를 유지할 수 있는가?
• RQ3 비지도 환경에서 하이브리드 변수에 적합한 적절한 모니터링 통계량과 제어 한계는 무엇인가?
• RQ4 HVM 프레임워크에서 고장을 탐지할 수 있는 조건는 무엇이며, 이는 매개변수 추정과 어떻게 관련되는가?
• RQ5 하이브리드 데이터에서 기존 방법과 비교해 볼 때 HVM의 고장 탐지 성능은 어떠한가?

주요 결과

• 제안된 HVM 프레임워크는 레이블이 부여된 고장 데이터가 없이도 연속형 및 이진 변수를 모두 효과적으로 통합하여 프로세스 모니터링에 활용한다.
• 수치 시뮬레이션에서 기존의 PCA 및 연속형 변수 기반 방법보다 향상된 고장 탐지 성능을 달성한다.
• 초초임계 발전소 사례 연구에서 HVM은 기준 방법보다 더 이르고 신뢰성 있게 초기 고장을 탐지하였으며, 특히 이진 제어 신호가 포함된 시나리오에서 뛰어난 성능을 보였다.
• 최대우도 기반의 매개변수 추정 절차는 확률 모델에 기반하여 강력하고 타당성이 있으며, 닫힌 형태의 해가 유도되었다.
• 탐지 가능 조건 분석을 통해, 이 방법은 특히 이진 변수가 연속형 변수와 함께 비정상적인 동시 발생을 보일 경우 변수 패턴의 이탈을 탐지할 수 있음을 확인하였다.
• 모델 매개변수의 물리적 해석은 변수 간 종속성에 대한 통찰을 제공하여 모델의 투명성과 해석 가능성 향상에 기여한다.

(a) PCA ( $T^{2}$ )