[论文解读] A dissimilarity-based approach to predictive maintenance with application to HVAC systems

Riccardo Satta, Stefano Cavallari+4 more|arXiv (Cornell University)|Jan 13, 2017

Facilities and Workplace Management参考文献 27被引用 14

一句话总结

本文提出一种基于差异性的机器学习方法，通过分析17台同质化设备组群中运行数据的相互差异，实现对暖通空调（HVAC）系统预测性维护的建模。通过建立设备间的差异性模型，该方法在故障预测中最高达到0.96 AUC，展现出在真实医院HVAC数据上的优异性能。

ABSTRACT

The goal of predictive maintenance is to forecast the occurrence of faults of an appliance, in order to proactively take the necessary actions to ensure its availability. In many application scenarios, predictive maintenance is applied to a set of homogeneous appliances. In this paper, we firstly review taxonomies and main methodologies currently used for condition-based maintenance; secondly, we argue that the mutual dissimilarities of the behaviours of all appliances of this set (the "cohort") can be exploited to detect upcoming faults. Specifically, inspired by dissimilarity-based representations, we propose a novel machine learning approach based on the analysis of concurrent mutual differences of the measurements coming from the cohort. We evaluate our method over one year of historical data from a cohort of 17 HVAC (Heating, Ventilation and Air Conditioning) systems installed in an Italian hospital. We show that certain kinds of faults can be foreseen with an accuracy, measured in terms of area under the ROC curve, as high as 0.96.

研究动机与目标

• 通过利用同质化设备组群的集体行为模式，提升基于状态的系统中预测性维护的性能。
• 解决在复杂真实HVAC系统中故障检测的挑战，此类系统中单个设备的模型可能因数据不足而受限。
• 开发一种机器学习框架，利用系统测量值之间的相互差异性来检测早期故障。
• 在真实医院HVAC系统的历史数据上评估该方法，以证明其实际可行性和性能表现。
• 证明设备间差异性模式可作为系统退化可靠的早期指示信号。

提出的方法

• 该方法基于组群中所有HVAC设备的时间序列测量数据构建差异性矩阵，捕捉设备间运行行为的成对差异。
• 采用基于差异性的表征学习方法，将每个系统的行为视为差异性空间中的一个点。
• 利用组群内同步的差异性特征检测故障前出现的异常模式。
• 使用差异性特征训练机器学习分类器以预测故障发生。
• 该方法无需为每个故障类型单独建立模型，而是依赖于集体行为趋势。
• 采用受试者工作特征曲线下面积（ROC AUC）作为主要评估指标，在17台HVAC设备为期一年的历史数据上进行评估。

实验结果

研究问题

• RQ1 组群中HVAC系统之间的相互差异性是否能可靠指示即将发生的故障？
• RQ2 与单个系统建模相比，基于差异性的表征在故障检测中的有效性如何？
• RQ3 仅使用真实HVAC数据中设备间的差异性，能够实现多高的预测准确率？
• RQ4 该方法是否能够提前检测到故障，为维护操作提供足够的提前量？
• RQ5 该方法在真实医院环境中是否对不同类型HVAC故障具有泛化能力？

主要发现

• 该方法在预测某些类型的HVAC故障时，曲线下面积（AUC）最高达到0.96。
• 仅通过组群内差异性模式即可高精度检测故障，无需依赖单个故障的专用模型。
• 该方法通过检测设备间差异性动态的异常变化，成功识别出早期故障。
• 模型在真实HVAC运行中观察到的多种故障类型上表现出良好的鲁棒性和泛化能力。
• 结果证实，通过差异性度量进行的集体行为分析可作为预测性维护的强大信号。
• 在每台设备故障数据有限的场景下，该方法优于传统的单个系统建模方法。