[논문 리뷰] Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder

Pankaj Malhotra, Vishnu Tv외 5명|arXiv (Cornell University)|2016. 08. 22.

Machine Fault Diagnosis Techniques참고 문헌 39인용 수 165

한 줄 요약

본 논문은 다중 센서 시계열에서 RUL을 추정하기 위해 degradation 형태를 가정하지 않는 LSTM 인코더-디코더에서 도출된 비지도 건강 지수(HI)를 제안하고 Turbofan, Milling, Pulverizer 데이터셋에서 평가한다.

ABSTRACT

Many approaches for estimation of Remaining Useful Life (RUL) of a machine, using its operational sensor data, make assumptions about how a system degrades or a fault evolves, e.g., exponential degradation. However, in many domains degradation may not follow a pattern. We propose a Long Short Term Memory based Encoder-Decoder (LSTM-ED) scheme to obtain an unsupervised health index (HI) for a system using multi-sensor time-series data. LSTM-ED is trained to reconstruct the time-series corresponding to healthy state of a system. The reconstruction error is used to compute HI which is then used for RUL estimation. We evaluate our approach on publicly available Turbofan Engine and Milling Machine datasets. We also present results on a real-world industry dataset from a pulverizer mill where we find significant correlation between LSTM-ED based HI and maintenance costs.

연구 동기 및 목표

• 고정된 열화 형태를 가정하지 않고 RUL을 예측함으로써 상태 기반 유지보수를 촉진한다.
• 정상 작동 재구성 오류에서 학습된 비지도 HI를 제안한다.
• 훈련 인스턴스 간 곡선 매칭을 통한 HI 기반 RUL 추정을 입증한다.

제안 방법

• 다중 변수 정상 시계열 부분시퀀스를 재구성하도록 LSTM-Encoder-Decoder를 훈련한다.
• 재구성 오차를 비정규화된 건강 지표로 간주하고 각 인스턴스에 대한 대상 HI를 도출한다.
• 도출된 센서 특징에서 HI를 [0,1] 범위의 선형 회귀 매핑으로 학습한다.
• 훈련 인스턴스의 HI 곡선을 이용해 시계열 지연과 함께 테스트 인스턴스의 RUL을 곡선 매칭으로 추정한다.
• 비교를 위해 선형(HI 대상)인 LR-Lin 또는 지수(HI 대상)인 LR-Exp과 LR-ED 버전의 LR 모델을 선택적으로 사용한다.
• 비슷한 시간 지연에서 가중 평균을 이용해 테스트 인스턴스와 훈련 인스턴스 간 HI 곡선을 매칭한다.

실험 결과

연구 질문

• RQ1 재구성 오차에서 학습된 비지도 HI가 열화 형태를 가정하지 않고도 열화를 포착할 수 있는가?
• RQ2 HI 기반 RUL 추정이 도메인 지식 기반 열화 모델에 비해 얼마나 성능이 좋은가?
• RQ3 HI 곡선 매칭이 서로 다른 초기 건강 상태 및 작동 조건에서 견고한 RUL 추정치를 제공하는가?
• RQ4 LR 대 LSTM-ED 유도 HI 대상의 사용이 RUL 정확도에 어떤 영향을 미치는가?

주요 결과

모델	S	A(%)	MAE	MSE	MAPE1(%)	MAPE2(%)	FPR(%)	FNR(%)
LSTM-ED	1263	36	18	546	39	9	34	30
LR-Exp	280	60	10	177	21	5.2	13	27
LR-ED 1	477	65	12	288	20	5.9	19	16
LR-ED 2	256	67	10	164	18	5.0	13	20
RC	216	67	10	176	20	NR	56	44

• LSTM-ED 기반 HI는 재구성 오차가 수명을 따라 증가함에 따라 열화를 추적한다.
• LR-ED 2(정규화된 제곱 재구성 오차)가 Turbofan 데이터에서 LR-Exp, LR-ED 1, LR-ED 2 변형보다 우수하다.
• LR-ED 2는 지수적 열화 가정을 의존하지 않으면서 RUL-CLIPPER 벤치마크에 비해 동등하거나 더 나은 성능을 달성한다.
• HI가 마지막 사이클의 HI가 감소함에 따라 RUL 추정치가 향상되고 종단 근처의 분산이 감소한다.
• HI 기반 방법은 밀링 및 분쇄기 데이터를 포함한 다양한 데이터셋에서 유지보수 비용과 의미 있는 상관관계를 보이며 경쟁력 있는 결과를 보인다.