[论文解读] Data-Driven Fault Detection and Isolation Enhanced with System Structural Relationships (DX Competition)

D. Jung, Diaz-Gonzalez, Abel+2 more|arXiv (Cornell University)|Jan 1, 2025

Fault Detection and Control Systems被引用 6

一句话总结

本文提出一种数据驱动的故障诊断方法，通过将物理系统结构整合到灰箱循环神经网络（RNN）中，提升异常检测与故障隔离能力。利用系统模型的二分图表示，该方法自动设计仅基于正常数据训练的RNN基残差生成器，实现对未知故障类别的检测，并通过结构敏感性映射提升故障隔离能力。该方法在内燃机试验台中实现了稳健的故障检测，CUSUM增强的残差有效提升了对微小或瞬态故障的检测能力。

ABSTRACT

Fault detection and isolation are becoming increasingly important as modern systems become more complex. To encourage the development of new fault detection solutions that can operate with limited noisy data and an incomplete mathematical model, the DX 2025 LiU-ICE competition for diagnosis of the air path of an internal combustion engine was introduced. In this paper, we present our winning solution to this competition. Our fault detection architecture starts with a semi-supervised Transformer Autoencoder trained to reconstruct nominal data. Detected faults are then passed through a rule-based fault persistence filter that aims to suppress false positives. Once a fault is detected, we use four neural networks trained to estimate features determined from structural analysis of a partial system model. The residuals of these networks are fed to a supervised fault classification network that estimates the fault probabilities. With this architecture, we achieved an 87% detection rate with a 0% false alarm rate on the provided competition data. Additionally, our isolation architecture assigned the correct fault 73.8% probabilty on average. On unseen competition data from a new driving cycle, we achieved a 100% detection rate and assigned the correct fault 66.2% probability on average. On the other hand, the Transformer Autoencoder failed to transfer to the new driving conditions, causing many false alarms. We discuss ways future work can reduce this.

研究动机与目标

• 解决数据驱动故障诊断中训练数据有限且不平衡的问题，特别是针对未知故障类别。
• 通过在神经网络设计中融入物理洞察，克服纯数据驱动（黑箱）模型的局限性。
• 开发一种自动化方法，生成反映系统物理结构的RNN基残差生成器。
• 通过利用系统模型中的结构关系，提升故障检测与隔离性能。
• 通过异常分类与残差模式分析，实现对未知故障类别的检测。

提出的方法

• 使用二分图模型表示系统，以编码变量之间的定性物理关系。
• 利用结构模型自动设计反映物理子系统与输入输出依赖关系的灰箱RNN架构。
• 仅使用正常（无故障）数据训练每个RNN残差生成器，以构建异常分类器。
• 对残差时间序列应用CUSUM检验，通过随时间累积偏差，提升对微小或瞬态故障的检测能力。
• 利用结构模型关系将残差触发映射到物理部件，实现故障隔离。
• 在包含瞬态运行数据的真实内燃机试验台上验证该方法。

实验结果

研究问题

• RQ1 如何系统性地利用物理系统结构设计用于故障诊断的数据驱动残差生成器？
• RQ2 仅在正常数据上训练的灰箱RNN能否检测未知故障类别，同时保持故障隔离能力？
• RQ3 与黑箱模型相比，引入结构关系在多大程度上提升了故障检测性能？
• RQ4 通过CUSUM检验进行时间序列处理，在低信噪比场景下如何增强基于残差的故障检测？
• RQ5 残差模式是否可被可靠地映射到物理部件，以支持故障隔离？

主要发现

• 该方法成功基于发动机进气系统的结构模型生成了八个不同的灰箱RNN残差生成器。
• 仅使用正常数据训练的残差生成器在检测已知和未知故障类别方面均表现有效，凸显了异常分类的潜力。
• CUSUM检验显著提升了故障检测性能，通过随时间累积残差偏差，降低了误报率，并实现了对微小故障的更早检测。
• 直接影响传感器输出的故障检测灵敏度更高，而温度等缓慢变化的信号则需要更长的数据覆盖以获得充分激励。
• 通过结构模型将触发的残差映射到特定部件，残差模式支持了故障隔离，有助于根因识别。
• 该方法在瞬态发动机运行中表现出稳健性能，验证了其在真实工业系统中有限故障数据场景下的适用性。