[논문 리뷰] Time Series Fault Classification for Wave Propagation Systems with Sparse Fault Data

Erik Jakobsson, Erik Frisk외 2명|KTH Publication Database DiVA (KTH Royal Institute of Technology)|2022. 03. 30.

Time Series Analysis and Forecasting인용 수 4

한 줄 요약

이 논문은 희소한 고장 데이터를 가진 파동 전파 시스템에 대해 상대적 특징 기반의 시계열 분류 방법을 제안한다. 각 개별 시스템의 정상 기준 데이터를 사용하여 시간 이동과 진폭 차이를 계산한다. 이 방법은 개별 시스템의 기준선에서의 편차에 초점을 맞춤으로써, 특히 파동 전파 효과와 시스템 구성 차이로 인한 높은 변동성 상황에서도 최신의 TSC 방법보다 고장 분류 정확도를 크게 향상시킨다.

ABSTRACT

In this work Time Series Classification techniques are investigated, and especially their applicability in applications where there are significant differences between the individuals where data is collected, and the individuals where the classification is evaluated. Classification methods are applied to a fault classification case, where a key assumption is that data from a fault free reference case for each specific individual is available. For the investigated application, wave propagation cause almost chaotic changes of a measured pressure signal, and physical modeling is difficult. Direct application of One-Nearest-Neighbor Dynamic Time Warping, a common technique for this kind of problem, and other machine learning techniques are shown to fail for this case and new methods to improve the situation are presented. By using relative features describing the difference from the reference case rather than the absolute time series, improvements are made compared to state-of-the-art time series classification algorithms.

연구 동기 및 목표

• 개별 수준의 변동성이 크기 때문에 새로운 개인(개별 시스템)에 모델을 구현할 때 일반화 성능이 떨어지는 문제를 해결한다.
• 신호 형태가 경계 조건과 하드웨어 차이로 인해 매우 민감한 파동 전파 시스템에서 표준 TSC 방법(예: 동적 시간 왜곡(DTW))의 한계를 극복한다.
• 모든 구성에 걸쳐 광범위한 고장 데이터가 필요로 하지 않는, 각 구현된 시스템으로부터 최소한의 정상(고장 없음) 데이터를 활용하여 분류의 강인성을 향상시킨다.
• 개별 변동성이 높은 상황에서 상대적 특징(시간 이동과 진폭 편차)이 원시 시계열 특징보다 고장 탐지 성능에서 뛰어나다는 것을 입증한다.
• 데이터 기반 모델이 데이터 다양성이 부족하여 실패할 경우 도메인 지식이 특징 공학에 어떤 역할을 하는지 조사한다.

제안 방법

• 각 구현된 시스템으로부터 하나의 정상(고장 없음) 측정값을 확보하여 개별 시스템 전용 기준으로 사용한다.
• 각 테스트 신호를 해당 기준과 비교하여 동적 시간 왜곡(DTW)을 사용해 신호를 정렬한 후, 시간 이동(δ_ts)과 진폭 편차(δ_amp)를 계산함으로써 상대적 특징을 산출한다.
• 원시 시계열이 아닌 상대적 특징을 분류기(SVM 또는 k-NN 등)의 입력으로 사용함으로써 개별 시스템 변동성에 대한 민감도를 감소시킨다.
• 상대적 특징에 대해 DTW 기반의 거리 계산을 적용하여, 다양한 파동 전파 특성을 가진 시스템 간의 강인한 분류를 가능하게 한다.
• 기준 데이터는 시스템 설치 시 한 번만 수집되고 校정에 사용되며, 구성 변경을 감지할 수 있는 메커니즘을 갖춘 프레임워크를 설계한다.
• Siamese 네트워크를 사용하여 데이터에서 직접 상대적 특징 표현을 학습하는 것의 잠재력을 탐색함으로써, 기준 데이터에서 고장 관련 편차를 엔드 투 엔드로 학습할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 개별 변동성으로 인해 훈련 시스템과 다를 경우, 시계열 분류가 어떻게 효과적으로 작동할 수 있는가?
• RQ2 대상 시스템의 정상(고장 없음) 데이터를 사용하여 개별 차이의 영향을 고장 분류에서 줄일 수 있는가?
• RQ3 고분산된 개인 간 변동성이 큰 파동 전파 시스템에 최신의 시계열 분류 방법이 얼마나 잘 작동하는가?
• RQ4 데이터 다양성이 제한된 상황에서 도메인 전문 지식이 기계 학습 성능 향상에 어떤 역할을 하는가?

주요 결과

• 표준 시계열 분류 방법, 특히 동적 시간 왜곡(DTW)을 사용한 One-Nearest-Neighbor 방법은 파동 전파로 인한 신호 왜곡과 구성 변동성으로 인해 서로 다른 개인 간으로 일반화되지 않는다.
• 개별 시스템의 정상 데이터에서 유도된 상대적 특징(δ_ts 및 δ_amp)을 사용할 경우 원시 시계열이나 절대적 특징을 사용하는 것보다 분류 성능이 크게 향상된다.
• 상대적 특징 접근법은 모든 가능한 시스템 구성에 걸쳐 광범위한 고장 데이터를 수집할 필요를 줄여주며, 이는 산업 현장에서 종종 실현 불가능한 요구사항이다.
• 이 방법은 호스 길이, 펌프 유형, 드릴링 방향 등 파동 전파에 영향을 주는 주요 경계 조건의 변동성에도 불구하고, 지역 기준에서의 편차에 초점을 맞춤으로써 강인성을 확보한다.
• 시간 이동과 진폭 편차를 타겟으로 하는 특징 선택에 도메인 지식을 활용할 경우, 동일한 분류기와 데이터를 사용하더라도 성능 향상이 뚜렷하다.
• 각 시스템의 설치 시 단 한 번의 정상 측정값을 확보하면, 재학습 최소화로 고장 분류 시스템을 구현할 수 있다.