[论文解读] Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines

Sabtain Ahmad, Kevin Styp-Rekowski+2 more|arXiv (Cornell University)|Jan 27, 2021

Anomaly Detection Techniques and Applications参考文献 22被引用 10

一句话总结

本文提出了一种基于LSTM自编码器的无监督方法，用于使用原始振动信号对旋转机械进行状态监测与异常检测。通过从无标签的健康数据中学习正常行为，并利用重构误差检测异常，该模型在真实世界数据集上实现了99.6%的F1得分，异常检测性能优于手工特征工程，同时消除了人工特征工程的需求。

ABSTRACT

Rotating machines like engines, pumps, or turbines are ubiquitous in modern day societies. Their mechanical parts such as electrical engines, rotors, or bearings are the major components and any failure in them may result in their total shutdown. Anomaly detection in such critical systems is very important to monitor the system's health. As the requirement to obtain a dataset from rotating machines where all possible faults are explicitly labeled is difficult to satisfy, we propose a method that focuses on the normal behavior of the machine instead. We propose an autoencoder model-based method for condition monitoring of rotating machines by using an anomaly detection approach. The method learns the characteristics of a rotating machine using the normal vibration signals to model the healthy state of the machine. A threshold-based approach is then applied to the reconstruction error of unseen data, thus enabling the detection of unseen anomalies. The proposed method can directly extract the salient features from raw vibration signals and eliminate the need for manually engineered features. We demonstrate the effectiveness of the proposed method by employing two rotating machine datasets and the quality of the automatically learned features is compared with a set of handcrafted features by training an Isolation Forest model on either of these two sets. Experimental results on two real-world datasets indicate that our proposed solution gives promising results, achieving an average F1-score of 99.6%.

研究动机与目标

• 开发一种不依赖于标注故障数据的旋转机械无监督异常检测方法。
• 通过从原始振动信号中自动学习显著特征，消除对手动特征工程的需求。
• 通过利用LSTM自编码器的潜在表示，提升异常检测性能。
• 证明自编码器学习到的特征在下游检测模型（如孤立森林）中可优于手工特征。
• 通过仅建模正常运行状态，实现对先前未见异常的检测。

提出的方法

• 仅使用正常振动信号对LSTM自编码器进行训练，以学习健康状态的压缩且有意义的表示。
• 模型在输出层重构输入信号，重构误差用作异常评分。
• 对未见数据的重构误差应用基于阈值的方法，以分类异常。
• 从瓶颈层提取潜在空间特征，并用作下游孤立森林模型的输入以进行对比。
• 该方法直接在时域信号上运行，无需FFT或手动特征提取等预处理步骤。
• 该框架在两个具有不同故障模式和低异常频率的真实世界旋转机械数据集上进行了评估。

实验结果

研究问题

• RQ1 仅在正常振动信号上进行训练的自编码器能否有效检测旋转机械中未见的异常？
• RQ2 基于自编码器学习特征的异常检测性能与手工特征相比如何？
• RQ3 LSTM自编码器的潜在表示是否能捕捉足够的与健康相关的信息以实现可靠的状况监测？
• RQ4 与基于手工工程特征训练的模型相比，该方法是否能降低误报率？
• RQ5 学习到的特征是否能在具有相似故障模式的不同旋转机械之间实现泛化？

主要发现

• 所提出的LSTM自编码器在第二个真实世界数据集上实现了99.6%的平均F1得分，显著优于基于手工特征的模型。
• 在LSTM自编码器提取特征上训练的孤立森林模型（AFE_IF）在精确率方面表现更优，且误报率低于在手工工程特征上训练的模型（MFE_IF）。
• 对于RM-3和RM-5，MFE_IF模型的真正率（TPR）为1.0，但AFE_IF模型以远低于其的误报数实现了这一性能，表明其具有更好的实际可靠性。
• LSTM自编码器的潜在表示比传统手工特征更有效地捕捉系统健康信息，这从更高的F1得分（99.6% vs. 97% 和 93%）中得到证实。
• 该方法成功检测出IMS数据集中所有四个故障轴承，证明了其在不同故障类型和机器类型下的鲁棒性。
• 该框架无需事先了解故障类型即可实现有效的异常检测，使其适用于真实世界部署，尤其适用于异常稀少且多样的场景。