[논문 리뷰] Uncovering the Underlying Physics of Degrading System Behavior Through a Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis

Sergio Cofre-Martel, Enrique López Droguett외 1명|arXiv (Cornell University)|2020. 06. 10.

Fault Detection and Control Systems참고 문헌 32인용 수 4

한 줄 요약

이 논문은 센서 데이터에서 잠재 변수와 기반 부분 미분 방정식(PDE)을 발견함으로써 공학 시스템의 열화 메커니즘을 밝혀내는 물리 기반 딥 러닝 프레임워크를 제안한다. 세 단계로 구성된 딥 신경망에 물리적 제약 조건을 통합함으로써, 모델은 나머지 수명(RUL)을 예측하면서도 해석 가능한 건강 지표를 생성하여, 블랙박스 회귀를 넘어서 투명하고 물리적으로 일관된 예측이 가능하다.

ABSTRACT

Deep learning (DL) has become an essential tool in prognosis and health management (PHM), commonly used as a regression algorithm for the prognosis of a system's behavior. One particular metric of interest is the remaining useful life (RUL) estimated using monitoring sensor data. Most of these deep learning applications treat the algorithms as black-box functions, giving little to no control of the data interpretation. This becomes an issue if the models break the governing laws of physics or other natural sciences when no constraints are imposed. The latest research efforts have focused on applying complex DL models to achieve a low prediction error rather than studying how the models interpret the behavior of the data and the system itself. In this paper, we propose an open-box approach using a deep neural network framework to explore the physics of degradation through partial differential equations (PDEs). The framework has three stages, and it aims to discover a latent variable and corresponding PDE to represent the health state of the system. Models are trained as a supervised regression and designed to output the RUL as well as a latent variable map that can be used and interpreted as the system's health indicator.

연구 동기 및 목표

• 예측 및 건강 관리(PHM) 분야에서 사용되는 딥 러닝 모델의 해석 가능성 부족 문제를 해결하기 위해.
• 딥 러닝을 블랙박스로 간주하는 것이 아니라, 시스템 열화를 지배하는 기초 물리 법칙을 밝혀내는 프레임워크를 개발하기 위해.
• 시스템의 건강 상태를 나타내는 잠재 변수와 그에 해당하는 부분 미분 방정식(PDE)을 발견하기 위해.
• 딥 러닝 아키텍처에 제약 조건을 통합하여 모델 예측이 물리 법칙과 일관되게 유지되도록 하기 위해.
• 시스템 진단 및 의사결정 향상을 위해 RUL 예측과 함께 해석 가능한 건강 지표를 제공하기 위해.

제안 방법

• 프레임워크는 센서 데이터에서 시스템 열화의 잠재 표현을 학습하기 위해 세 단계로 구성된 딥 신경망(DNN) 아키텍처를 사용한다.
• 첫 번째 단계는 원시 센서 데이터를 시스템의 건강 상태를 나타내는 저차원 잠재 공간으로 인코딩한다.
• 두 번째 단계는 시간과 공간에 따라 잠재 변수의 진화를 지배하는 부분 미분 방정식(PDE)을 학습한다.
• 세 번째 단계는 학습된 잠재 변수와 PDE를 사용하여 나머지 수명(RUL)을 예측하기 위한 지도 학습 회귀를 수행한다.
• 손실 함수는 물리적 일관성을 강제하여 PDE가 알려진 열화 역학과 일치하도록 한다.
• 출력에는 RUL 예측과 함께 잠재 변수 맵에서 유도된 물리적으로 해석 가능한 건강 지표가 포함된다.

실험 결과

연구 질문

• RQ1 딥 러닝 프레임워크는 열화하는 시스템의 건강 상태를 나타내는 해석 가능한 잠재 변수를 발견할 수 있는가?
• RQ2 프레임워크는 센서 데이터만으로도 열화 과정을 지배하는 기초 부분 미분 방정식(PDE)을 밝혀낼 수 있는가?
• RQ3 모델은 알려진 열화 법칙과 물리적 일관성을 유지하면서 나머지 수명(RUL)을 얼마나 정확히 예측할 수 있는가?
• RQ4 기존의 블랙박스 딥 러닝과 비교했을 때, 물리적 제약 조건을 통합함으로써 모델의 해석 가능성과 신뢰도는 어느 정도 향상되는가?
• RQ5 학습된 잠재 변수는 시스템 진단 및 예측을 위한 의미 있는 건강 지표로 기능할 수 있는가?

주요 결과

• 제안된 프레임워크는 시스템의 건강 상태와 상관관계가 있으며 건강 지표로 해석할 수 있는 잠재 변수를 성공적으로 발견하였다.
• 모델은 열화 과정을 지배하는 부분 미분 방정식(PDE)을 식별하여 데이터로부터 기초 물리 메커니즘을 드러내었다.
• 프레임워크는 물리적 일관성을 확보하면서 정확한 RUL 예측을 달성하여 알려진 물리 법칙 위반을 방지하였다.
• 잠재 변수 맵은 해석 가능성을 제공하여 엔지니어가 원시 센서 출력을 넘어서 열화 진행 상황을 이해할 수 있도록 하였다.
• 딥 러닝 아키텍처에 물리적 제약 조건을 통합함으로써 모델의 신뢰성이 향상되고 비물리적 예측의 위험도 감소하였다.
• 이 방법은 딥 러닝을 단순 예측을 위한 수단이 아니라, 열화하는 시스템 내 숨겨진 물리 역학을 밝혀내는 데에도 가능함을 입증하였다.