[논문 리뷰] Mutual Information Matrix for Interpretable Fault Detection.

Feiya Lv, Shujian Yu외 2명|arXiv (Cornell University)|2020. 07. 21.

Fault Detection and Control Systems참고 문헌 45인용 수 2

한 줄 요약

이 논문은 다변량 공정에서 해석 가능한 고장 감지에 대한 상호정보(MI) 행렬 방법을 제안한다. 공정 변수 간의 쌍별 MI를 계산하고, 그 고유분해를 분석함으로써 비선형 역학을 드러내고, 고장 감지율(FDR)은 높이고 거짓 경고율(FAR)은 낮춘 루트 코스 변수를 식별한다. 이는 합성 데이터와 테네시 이스트먼 데이터에서 기존 방법들을 능가한다.

ABSTRACT

This paper presents a novel mutual information (MI) matrix based method for fault detection. Given a m-dimensional fault process, the MI matrix is a m$ imes$m matrix in which the (i,j)-th entry measures the MI values between the i-th dimension and the j-th dimension variables. We demonstrate that the transformed components extracted from the obtained MI matrix can precisely unveil the dynamics of the underlying (possibly nonlinear) process, thus offering a reliable indicator to the occurrence of different types of faults. We also suggest that the recently proposed matrix-based Renyi's $\alpha$-entropy is a good surrogate to the classical Shannon's entropy in MI estimation. Experiments on both synthetic data and the benchmark Tennessee Eastman process demonstrate the interpretability of our methodology in identifying the root variables that cause the faults, and the superiority of our methodology in terms the improved fault detection rate (FDR) and the lowest false alarm rate (FAR).

연구 동기 및 목표

• 다변량 공정 내 비선형 의존성을 포괄하는 고장 감지 방법을 개발한다.
• MI 행렬 분석을 통해 루트 코스 변수를 식별함으로써 가시성을 향상시킨다.
• 행렬 기반 Renyi의 α-엔트로피를 Shannon 엔트로피의 대체량으로 활용하여 고장 감지 성능을 향상시킨다.
• 복잡한 공정 모니터링에서 높은 감지율을 유지하면서 거짓 경고를 줄인다.

제안 방법

• m차원 공정의 변수 i와 j 간의 MI를 측정하는 m×m 상호정보(MI) 행렬을 구성한다.
• 행렬 기반 Renyi의 α-엔트로피를 사용하여 MI를 추정하는 안정적이고 정확한 대체량을 제공한다.
• MI 행렬의 고유분해를 적용하여 공정의 기본 역학을 반영하는 변환된 성분을 추출한다.
• MI 행렬의 고유벡터와 고유값을 활용하여 이상 탐지 및 고장 전파 패턴을 식별한다.
• 주요 성분에 기여하는 변수 기여도를 분석함으로써 고장 원인을 해석 가능한 방식으로 규명한다.
• 실시간 모니터링 및 루트 코스 진단을 위한 고장 감지 파이프라인에 MI 행렬 프레임워크를 통합한다.

실험 결과

연구 질문

• RQ1 MI 행렬은 다변량 고장 공정 내 비선형 의존성을 효과적으로 포착할 수 있는가?
• RQ2 伝통적 방법과 비교해 MI 행렬은 고장 감지 성능을 어떻게 향상시키는가?
• RQ3 MI 행렬은 고장을 일으킨 루트 코스 변수를 어느 정도 정확하게 식별할 수 있는가?
• RQ4 Shannon 엔트로피의 대체량으로 Renyi의 α-엔트로피를 사용하면 MI 추정 성능이 향상되는가?
• RQ5 MI 행렬 프레임워크는 고장 감지율을 유지하면서 거짓 경고율을 낮출 수 있는가?

주요 결과

• MI 행렬 방법은 합성 데이터와 테네시 이스트먼 벤치마크 데이터 양쪽에서 기준 방법보다 높은 고장 감지율(FDR)을 달성했다.
• 비교된 방법들 중에서 가장 낮은 거짓 경고율(FAR)을 보이며, 신뢰성 향상을 시사한다.
• MI 행렬의 고유분해를 통해 비선형 공정의 기본 역학이 성공적으로 드러났다.
• 행렬 기반 Renyi의 α-엔트로피 사용은 고전적 Shannon 엔트로피에 비해 더 안정적이고 정확한 MI 추정을 제공했다.
• MI 행렬은 주요 성분에 기여하는 변수를 강조함으로써 고장 전파의 원인을 해석 가능한 방식으로 규명할 수 있었다.
• 이 방법은 고장 상황에서 루트 코스 변수를 효과적으로 식별하여 진단의 투명성을 향상시켰다.