[论文解读] Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation

Joseph Cohen, Xun Huan+1 more|arXiv (Cornell University)|Mar 23, 2023

Machine Fault Diagnosis Techniques参考文献 19被引用 5

一句话总结

该论文提出了一种用于涡扇发动机故障预测的多任务深度学习框架ANN-Flux，基于NASA CMAPSS数据集。该框架通过定制化的损失函数和经过PCA处理的时间域特征，联合预测健康状态、最终故障模式及剩余使用寿命（RUL），在计算成本更低的情况下，实现了AUROC > 0.95，且RUL均方根误差（RMSE）比以往方法降低38%。

ABSTRACT

In the era of industrial big data, prognostics and health management is essential to improve the prediction of future failures to minimize inventory, maintenance, and human costs. Used for the 2021 PHM Data Challenge, the new Commercial Modular Aero-Propulsion System Simulation dataset from NASA is an open-source benchmark containing simulated turbofan engine units flown under realistic flight conditions. Deep learning approaches implemented previously for this application attempt to predict the remaining useful life of the engine units, but have not utilized labeled failure mode information, impeding practical usage and explainability. To address these limitations, a new prognostics approach is formulated with a customized loss function to simultaneously predict the current health state, the eventual failing component(s), and the remaining useful life. The proposed method incorporates principal component analysis to orthogonalize statistical time-domain features, which are inputs into supervised regressors such as random forests, extreme random forests, XGBoost, and artificial neural networks. The highest performing algorithm, ANN-Flux, achieves AUROC and AUPR scores exceeding 0.95 for each classification. In addition, ANN-Flux reduces the remaining useful life RMSE by 38% for the same test split of the dataset compared to past work, with significantly less computational cost.

研究动机与目标

• 通过引入标记的故障模式信息，提升涡扇发动机健康管理中预测的准确性与可解释性。
• 解决以往深度学习模型仅预测RUL而无法识别故障部件的局限性。
• 在保持或提升CMAPSS基准数据集上预测性能的同时，降低计算成本。
• 开发一个统一框架，同时估计健康状态、故障模式和剩余使用寿命。
• 增强模型在工业维护应用中的可解释性与实际可用性。

提出的方法

• 该方法采用主成分分析（PCA）对从发动机传感器数据中提取的统计时间域特征进行正交化处理。
• 设计了一种定制化的多任务损失函数，以联合优化健康状态分类、最终故障模式预测和RUL回归。
• 在PCA降维后的特征上训练了包括随机森林、XGBoost、极值随机森林和人工神经网络（ANN）在内的监督回归器。
• 表现最佳的模型被命名为ANN-Flux，是一种经过多任务损失函数微调的深度神经网络架构。
• 该模型在2021年PHM数据挑战赛的开源CMAPSS数据集上进行训练与评估，该数据集模拟了真实的涡扇发动机运行情况。
• 通过AUROC、AUPR和RMSE等指标，在多个故障模式和RUL预测任务中评估了模型性能。

实验结果

研究问题

• RQ1 统一的深度学习模型能否有效同时预测涡扇发动机的剩余使用寿命和最终故障模式？
• RQ2 通过定制化损失函数引入标记的故障模式信息，是否能提升预测准确率与模型可解释性？
• RQ3 基于PCA的特征正交化在多任务回归器中在发动机故障预测中的性能提升程度如何？
• RQ4 与单任务RUL预测模型相比，所提出的多任务学习框架在RUL RMSE和计算效率方面表现如何？
• RQ5 该模型能否在保持低RUL预测误差的同时，实现故障模式分类的高AUROC和AUPR得分？

主要发现

• ANN-Flux模型在所有故障模式分类任务中，AUROC和AUPR得分均超过0.95。
• 与先前最先进方法相比，ANN-Flux在CMAPSS数据集相同测试划分上的RUL均方根误差（RMSE）降低了38%。
• 该模型的计算成本显著低于以往用于相同基准的深度学习方法。
• 基于PCA的特征转换提升了所有测试算法中监督回归器的稳定性和性能。
• 采用定制化损失函数的多任务学习框架，能够以高精度和一致性联合预测健康状态、故障模式和RUL。
• 所提方法在分类与回归任务中均优于现有模型，为工业故障预测提供了实用解决方案。