[논문 리뷰] Potential, Challenges and Future Directions for Deep Learning in Prognostics and Health Management Applications

Olga Fink, Qin Wang외 4명|arXiv (Cornell University)|2020. 05. 05.

Fault Detection and Control Systems참고 문헌 187인용 수 3

한 줄 요약

이 논문은 산업 자산에서 예후 및 건강 관리(PHM) 응용 분야에 대한 딥러닝(DL)의 평가를 수행하며, 특징 공학 자동화와 고장 탐지, 진단, 잔여 수명(RUL) 예측 향상 가능성을 규명한다. 데이터 부족, 도메인 이동, 해석 가능성 부족 등의 과제를 언급하면서도, 데이터 증강, 물리 기반 학습, 능동적 데이터셋 셀렉션 등의 해결책을 제안하여 산업 현장 적용을 위한 기반을 마련한다.

ABSTRACT

Deep learning applications have been thriving over the last decade in many different domains, including computer vision and natural language understanding. The drivers for the vibrant development of deep learning have been the availability of abundant data, breakthroughs of algorithms and the advancements in hardware. Despite the fact that complex industrial assets have been extensively monitored and large amounts of condition monitoring signals have been collected, the application of deep learning approaches for detecting, diagnosing and predicting faults of complex industrial assets has been limited. The current paper provides a thorough evaluation of the current developments, drivers, challenges, potential solutions and future research needs in the field of deep learning applied to Prognostics and Health Management (PHM) applications.

연구 동기 및 목표

• 산업 자산에서의 예후 및 건강 관리(PHM) 응용 분야에 대한 딥러닝의 현재 상태 평가.
• 데이터 부족, 도메인 이동, 해석 가능성 부족 등 딥러닝을 PHM에 적용할 때 발생하는 주요 과제 규명.
• 모델 일반화 및 확장성 향상을 위한 데이터 증강, 물리 기반 학습, 능동적 학습 등의 해결책 제안.
• 대표성 있는 데이터셋 부족 문제를 해결하고 산업 이해관계자 간 데이터 공유 및 표준화 촉진.
• 전문 지식과 딥러닝을 융합하여 PHM에서 동적이고 정확한 디지털 트윈 구축 탐색

제안 방법

• 원시 상태 모니터링 신호로부터 표현을 학습하기 위해 오토에인코드어 및 생성적 적대적 네트워크(GANs)를 포함한 딥러닝 모델 활용.
• 시간 시리즈 및 진동 데이터에 대한 데이터 증강 기법—특히 AutoAugment 및 GAN 기반 생성—을 적용하여 데이터 부족 문제 해결.
• 도메인 지식을 신경망에 통합하여 모델의 강건성과 해석 가능성 향상을 위한 물리 기반 기계 학습 통합.
• 특히 플릿 수준의 PHM 응용에서 동적 데이터셋 선택 및 조합을 위한 능동적 학습 전략 제안.
• 비정규 및 비정상 과정에서의 불확실성 모델링을 위해 딥러닝을 강화한 몬테카를로 시뮬레이션 방법 활용.
• 학습된 건강 상태로부터의 거리 기반으로 건강 지표를 구성하여 무한정 건강 평가 가능화

실험 결과

연구 질문

• RQ1 딥러닝은 PHM 응용에서 수작업 특징 공학의 한계를 어떻게 극복할 수 있는가?
• RQ2 특히 복잡한 산업 시스템에서 RUL 예측에 딥러닝을 적용할 때 주요 과제는 무엇인가?
• RQ3 데이터 증강 및 생성 모델은 PHM에서 흔한 저데이터 환경에서 성능 향상에 얼마나 기여할 수 있는가?
• RQ4 물리 기반 딥러닝 접근법은 산업용 PHM 시스템에서 모델의 해석 가능성과 신뢰성 향상에 어떻게 기여할 수 있는가?
• RQ5 진행 중인 플릿 수준의 PHM 환경에서 효과적이고 효율적인 데이터셋 구성 및 선택 전략은 무엇인가?

주요 결과

• 딥러닝은 특징 공학 자동화와 고장 탐지 및 진단 향상 가능성을 지닌다. 그러나 데이터 및 모델링 복잡성으로 인해 예후는 여전히 도전 과제이다.
• 데이터 부족은 딥러닝의 PHM 적용에 있어 주요 장벽이며, 대표성 있는 데이터셋이 부족해 모델 일반화 능력 저하 및 과적합 위험 증가.
• GAN 기반 및 AutoAugment 방식의 데이터 증강은 시간 시리즈 데이터에 대해 유망한 성과를 보였지만, 복잡하고 비이미지 유사 신호로의 적용 가능성은 추가 검증 필요.
• 물리 기반 딥러닝 접근법은 모델 강건성과 해석 가능성 향상에 기여할 수 있으나, 산업 응용 분야 간 최적의 통합 방법에 대한 공감대 형성 미흡.
• 플릿 수준의 PHM에서는 능동적 학습 및 동적 데이터셋 셀렉션 전략이 필수적이며, 새로운 정보와 중복 정보의 균형을 고려한 지속적인 데이터 포함 결정 필요.
• 딥러닝 기반 PHM에서의 불확실성 정량화 기술은 여전히 미발전 상태이며, 비선형 및 비정상 과정을 효과적으로 다룰 수 있는 확장 가능한 몬테카를로 방법 개발이 시급하다.