[논문 리뷰] Learning in the Model Space for Fault Diagnosis

Huanhuan Chen, Peter Tiňo외 2명|arXiv (Cornell University)|2012. 10. 31.

Fault Detection and Control Systems참고 문헌 26인용 수 8

한 줄 요약

이 논문은 복잡하고 시간에 따라 변화하는 시스템에서 고장 유형에 대한 사전 지식이 없이도 고장을 탐지하고 고립하기 위해 저항성 계산(reservoir computing)과 일종의 서포트 벡터 머신(one-class SVM)을 사용하여 모델 공간에서의 학습을 수행하는 인지 고장 진단 프레임워크를 제안한다. 윈도우를 이동시키며 신호 세그먼트를 모델링하고, 이를 통해 유도된 선형 독출 모델을 특성 공간에서 분석함으로써 동적 고장 라이브러리 구축이 가능해지며, 기존 방법들보다 고장 고립 정확도와 미지의 고장에 대한 강건성에서 뛰어난 성능을 발휘한다.

ABSTRACT

The emergence of large scaled sensor networks facilitates the collection of large amounts of real-time data to monitor and control complex engineering systems. However, in many cases the collected data may be incomplete or inconsistent, while the underlying environment may be time-varying or un-formulated. In this paper, we have developed an innovative cognitive fault diagnosis framework that tackles the above challenges. This framework investigates fault diagnosis in the model space instead of in the signal space. Learning in the model space is implemented by fitting a series of models using a series of signal segments selected with a rolling window. By investigating the learning techniques in the fitted model space, faulty models can be discriminated from healthy models using one-class learning algorithm. The framework enables us to construct fault library when unknown faults occur, which can be regarded as cognitive fault isolation. This paper also theoretically investigates how to measure the pairwise distance between two models in the model space and incorporates the model distance into the learning algorithm in the model space. The results on three benchmark applications and one simulated model for the Barcelona water distribution network have confirmed the effectiveness of the proposed framework.

연구 동기 및 목표

• 시간에 따라 변화하거나 수식화되지 않은 환경에서 수학적 모델이 확보되지 않거나 정확하지 않은 복잡한 공학 시스템에서 고장 진단의 과제를 해결하기 위해.
• 고장 유형, 수량, 기능 형태에 대한 사전 지식 없이도 작동하는 인지 고장 진단 시스템을 개발하기 위해.
• 신호 공간이 아닌 적합된 모델의 공간에서 학습을 통해 실시간 고장 탐지 및 고립을 가능하게 하기 위해.
• 새로운 고장이 발생함에 따라 고장을 동적으로 라이브러리화하고, 점진적 학습과 인지 고장 고립을 지원하기 위해.
• 모델 공간에서의 모델 거리 정의를 이론적으로 명시하고 이를 도입함으로써 건강한 모델과 고장난 모델 간의 구분 능력을 향상시키기 위해.

제안 방법

• 결정론적 저항성 계산 모델을 사용하여 윈도우를 이동시키며 얻은 신호 세그먼트를 다이나믹한 특성 공간으로 변환한다.
• 각 신호 세그먼트에 대해 저항성 출력에 선형 독출 모델을 피팅하여 모델 공간 내의 모델 시퀀스를 생성한다.
• 독출 파라미터의 기하학적 성질에 기반하여 모델 공간 내에서 엄밀한 모델 거리 메트릭을 정의하며, 방향 차이보다 이격도(오프셋)의 차이를 우선시한다.
• 정상 모델 분포를 학습하고 이상치로 간주되는 변동을 탐지하기 위해 모델 공간에서 일종의 서포트 벡터 머신(OCSVM)을 적용한다.
• 새로운 고장을 탐지하고 실시간으로 고장 라이브러리를 동적으로 확장하기 위해 점진적 일종의 학습 알고리즘을 구현한다.
• 파라미터 영역이 균일하지 않은 경우, 표본 추출 방법 또는 가우시안 혼합 모델을 사용하여 모델 거리를 추정한다.

실험 결과

연구 질문

• RQ1 복잡하고 시간에 따라 변화하는 시스템에서 신호 공간이 아닌 모델 공간에서의 학습을 통해 고장 진단을 효과적으로 수행할 수 있는가?
• RQ2 모델 공간 내에서 모델 간의 의미 있는 거리 메트릭을 어떻게 정의할 수 있을까? 이는 고장 구분을 지원하기 위함이다.
• RQ3 모델 공간에서의 일종의 학습이 알려지지 않은 또는 예상치 못한 고장을 위한 동적 고장 라이브러리 구축을 가능하게 할 수 있는가?
• RQ4 기존의 신호 공간 기반 방법과 비교할 때, 제안된 모델 공간 학습 프레임워크는 고장 고립 정확도와 강건성 측면에서 어떻게 성능을 발휘하는가?
• RQ5 모델 거리 정의가 일종의 학습의 성능에 고장 진단에서 어떤 영향을 미치는가?

주요 결과

• 제안된 DRC-OCS 방법은 정밀도, 재현율, 특이도 지표에서 AP-model 및 기타 모델 공간 학습 접근법보다 가장 뛰어난 종합 성능을 달성하였다.
• 한 벤치마크에서 DRC-OCS 프레임워크는 270개의 서브-고장을 발견하여 고장 변화에 매우 민감함을 보였으며, 이는 세밀한 고장 패tern을 포착할 수 있는 능력을 반영한다.
• 모델 공간 내에서의 모델 거리 메트릭이 독출 파라미터의 표준 제곱 유클리드 거리와 상당히 다름을 입증하였으며, 이는 모델 구분에서 이격도의 중요성을 강조한다.
• 결정론적 저항성 모델의 사용이 모델 피팅 성능 향상과 모델 구조의 단순화를 이끌어내어 프레임워크의 강건성을 향상시켰다.
• 프레임워크는 실시간으로 동적 고장 라이브러리를 성공적으로 구축하였으며, 이는 이전에 본 적 없는 고장 유형에 대해서도 인지 고장 고립을 가능하게 하였다.
• 세 가지 벤치마크 시스템과 시뮬레이션된 바르셀로나 수도배수망에서의 실증 결과는 모델 공간에서의 학습 접근법의 효과성과 강건성을 확인하였다.