[논문 리뷰] Remaining Useful Life Estimation Using Functional Data Analysis

Qiyao Wang, Shuai Zheng외 3명|arXiv (Cornell University)|2019. 04. 12.

Fault Detection and Control SystemsEngineering참고 문헌 30인용 수 19

한 줄 요약

이 논문은 기능적 데이터 분석(FDA)을 사용하여 센서 시간 시리즈를 연속적인 확률적 과정으로 모델링함으로써 잔여 수명(RUL) 추정을 향상시키기 위해 기능적 다층 퍼셉트론(기능적 MLP)을 제안한다. 이 방법은 단위 내 상관관계와 단위 간 변동성을 포착하여 NASA C-MAPSS 기준 데이터셋에서 SOTA 성능을 달성하며, LSTM 대비 평균 RMSE 26.89% 향상 및 평균 점수 70.54% 향상 달성.

ABSTRACT

Remaining Useful Life (RUL) of an equipment or one of its components is defined as the time left until the equipment or component reaches its end of useful life. Accurate RUL estimation is exceptionally beneficial to Predictive Maintenance, and Prognostics and Health Management (PHM). Data driven approaches which leverage the power of algorithms for RUL estimation using sensor and operational time series data are gaining popularity. Existing algorithms, such as linear regression, Convolutional Neural Network (CNN), Hidden Markov Models (HMMs), and Long Short-Term Memory (LSTM), have their own limitations for the RUL estimation task. In this work, we propose a novel Functional Data Analysis (FDA) method called functional Multilayer Perceptron (functional MLP) for RUL estimation. Functional MLP treats time series data from multiple equipment as a sample of random continuous processes over time. FDA explicitly incorporates both the correlations within the same equipment and the random variations across different equipment's sensor time series into the model. FDA also has the benefit of allowing the relationship between RUL and sensor variables to vary over time. We implement functional MLP on the benchmark NASA C-MAPSS data and evaluate the performance using two popularly-used metrics. Results show the superiority of our algorithm over all the other state-of-the-art methods.

연구 동기 및 목표

• 기존의 데이터 기반 RUL 추정 방법들이 단위 내 시간적 상관관계와 단위 간 임의의 변동성을 모델링하지 못하는 한계를 해결하기 위해.
• 센서 시간 시리즈를 연속적인 기능적 데이터로 간주하여 동적 고장 패턴을 더 잘 포착할 수 있는 새로운 딥러닝 프레임워크를 개발하기 위해.
• 센서 변수와 잔여 수명 간의 시간에 따라 변하는 관계를 명시적으로 모델링하여 RUL 예측 정확도를 향상시키기 위해.
• RMSE와 점수 기반 지표를 사용하여 표준 NASA C-MAPSS 기준 데이터셋에서 제안된 방법을 평가하기 위해.
• LSTM, CNN 및 HMMs와 같은 SOTA 모델들과 비교해 우수한 성능을 보여주기 위해.

제안 방법

• 기능적 MLP는 각 장비의 센서 시간 시리즈를 시간에 따라 연속적인 확률적 과정의 샘플로 간주하여 FDA 기반의 기능적 데이터 모델링을 가능하게 한다.
• 전체 시간 시리즈를 기능적 관측치로 모델링하여 단위 내 시간적 상관관계와 단위 간 임의의 변동성을 통합한다.
• 원시 시간 시리즈 데이터에서 저차원 기능적 특징을 추출하기 위해 기능적 주성분 분석(FPCA)을 사용한다.
• 기능적 주성분 점수를 기반으로 다층 퍼셉트론을 훈련시켜 RUL를 예측하며, 이는 기능적 특징과 RUL 간의 민첩하고 시간에 따라 변하는 관계를 허용한다.
• 이 방법은 RNN이나 LSTM과 같이 고정된 매핑에 대한 강한 가정을 피하기 위해 기능적 표현을 활용한다.
• RMSE 기반 손실 함수와 과대추정에 더 무거운 가중치를 두는 비대칭 점수 지표를 사용하여 백프로파게이션을 통해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 센서 시간 시리즈를 연속적인 기능적 과정으로 모델링하는 것이 기존의 표준 딥러닝 모델 대비 RUL 추정 정확도 향상에 기여하는가?
• RQ2 기능적 MLP는 고장 패턴의 단위 내 시간적 의존성과 단위 간 변동성을 어떻게 다루는가?
• RQ3 기능적 접근은 RNN 및 LSTM에서 내재된 고정된 매핑 가정에서 기인하는 편향을 줄이는가?
• RQ4 기능적 MLP는 NASA C-MAPSS 기준 데이터셋에서 SOTA 모델 대비 어느 정도 뛰어난 성능을 보이는가?
• RQ5 C-MAPSS 데이터셋의 다양한 엔진 유형과 고장 유형에서 모델의 성능은 어떠한가?

주요 결과

• 기능적 MLP는 C-MAPSS 데이터셋의 네 가지 하위 세트 전반에서 LSTM 대비 평균 RMSE 26.89% 향상 달성.
• 점수 지표에서 기능적 MLP는 LSTM 대비 평균 70.54% 향상되어 과대추정에 대한 우수한 처리 능력을 보여줌.
• FD001에서 기능적 MLP는 RMSE 13.36을 기록하여 LSTM의 16.14보다 17.22% 향상된 성능 확보.
• 점수 지표에서 기능적 MLP는 FD001에서 2.0×10²을 기록하여 LSTM의 3.4×10² 대비 41.18% 향상.
• 시각적 비교 결과, 추정된 RUL가 진짜 RUL를 잘 따라가며, 특히 수명 종료 근처에서 강력한 예측 신뢰성을 보여줌.
• 모델은 FD001~FD004까지의 네 가지 C-MAPSS 하위 세트 전반에서 일관된 승리 보여주며 다양한 고장 유형에 대한 강건성을 확인함.