[논문 리뷰] Fully Unsupervised Feature Alignment for Critical System Health Monitoring with Varied Operating Conditions

Gabriel Michau, Olga Fink|arXiv (Cornell University)|2019. 07. 22.

Fault Detection and Control Systems인용 수 1

한 줄 요약

이 논문은 다양한 운영 조건 하에서 안전성이 중요한 산업 시스템의 초기 장애 감시를 가능하게 하기 위해 완전히 비지도 특성 정렬 프레임워크를 제안한다. 변동형 인코딩, 공간적 관계 보존, 적대적 도메인 식별을 통해 단위 간 특성 정렬을 수행함으로써, 112개의 발전소로 구성된 허브에서의 일인분류 성능을 향상시켰으며, 이는 저고장 환경에서 비지도 정렬이 강건한 초기 장애 탐지에 필수적임을 입증한다.

ABSTRACT

The failure of a complex and safety critical industrial asset can have extremely high consequences. Close monitoring for early detection of abnormal system conditions is therefore required. Data-driven solutions to this problem have been limited for two reasons: First, safety critical assets are designed and maintained to be highly reliable and faults are rare. Fault detection can thus not be solved with supervised learning. Second, complex industrial systems usually have long lifetime during which they face very different operating conditions. In the early life of the system, the collected data is probably not representative of future operating conditions, making it challenging to train a robust model. In this paper, we propose a methodology to monitor the systems in their early life. To do so, we enhance the training dataset with other units from a fleet, for which longer observations are available. Since each unit has its own specificity, we propose to extract features made independent of their origin by three unsupervised feature alignment techniques. First, using a variational encoder, we impose a shared probabilistic encoder/decoder for both units. Second, we introduce a new loss designed to conserve inter-point spacial relationships between the input and the learned features. Last, we propose to train in an adversarial manner a discriminator on the origin of the features. Once aligned, the features are fed to a one-class classifier to monitor the health of the system. By exploring the different combinations of the proposed alignment strategies, and by testing them on a real case study, a fleet composed of 112 power plants operated in different geographical locations and under very different operating regimes, we demonstrate that this alignment is necessary and beneficial.

연구 동기 및 목표

• 고장 빈도가 낮고 데이터가 제한된 초기 운영 단계에서 안전성이 중요한 시스템을 모니터링하는 데 도전하는 것.
• 허브 내 다양한 단위 간 운영 조건의 변화로 인한 도메인 이동 문제를 해결하는 것.
• 라벨이 부여된 고장 데이터에 의존하지 않고, 다수의 단위에서의 정상 작동 데이터만을 사용하여 강건한 시스템 건강 모니터링을 가능하게 하는 것.
• 단위 고유의 특성에 영향을 받지 않도록 특성 정합 기법을 개발하면서도 내재된 데이터 구조를 유지하는 것.
• 다양한 운영 방식을 가진 실제 112개 발전소 허브에서 제안된 정합 전략의 효과성을 검증하는 것.

제안 방법

• 다른 단위 간 공통 확률적 인코더/디코더를 강제하기 위해 변동형 오토인코더를 사용하여, 단위 기원에 의존하지 않는 특성 학습을 가능하게 한다.
• 입력 데이터와 학습된 특성 간의 점 간 공간적 관계를 유지하기 위해 새로운 손실 함수를 도입하여 국소적 데이터 구조를 유지한다.
• 특성의 기원(즉, 어느 단위에서 유래했는지)을 식별하기 위해 적대적 디스criminator를 훈련시켜 특성 추출기가 도메인 불변 표현을 생성하도록 유도한다.
• 정합된 특성들은 이후 일인분류기로 공급되어 정상 작동 패턴 기반의 이상 탐지에 사용된다.
• 변동형 인코딩, 공간 손실, 적대적 훈련의 세 가지 정합 구성 요소를 통합된 훈련 프레임워크 내에서 결합한다.
• 실제 112개 발전소에서 확보한 실세계 데이터를 바탕으로 세 정합 전략의 다양한 조합을 테스트하여 방법의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 비지도 특성 정합이 고장 데이터가 제한된 안전성이 중요한 산업 시스템의 초기 시스템 건강 모니터링에 개선 효과를 줄 수 있는가?
• RQ2 개별 및 조합된 비지도 정합 기법은 운영 조건이 다른 단위 간 도메인 이동을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 잠재 공간에서의 공간적 관계 보존이 이상 탐지의 강건성에 기여하는가?
• RQ4 특성 기원에 대한 적대적 훈련이 도메인 불변 표현 학습에 얼마나 기여하는가?
• RQ5 제안된 정합 프레임워크는 실제 산업 허브의 일인분류에 필수적이며 유익한가?

주요 결과

• 제안된 비지도 특성 정합 프레임워크는 초기 운영 단계에서 시스템 건강 모니터링을 위한 일인분류 성능을 크게 향상시킨다.
• 변동형 인코딩, 공간 보존, 적대적 훈련의 세 정합 전략을 모두 조합할 경우 최고의 탐지 성능을 기록한다.
• 제거 실험 결과 각 정합 구성 요소가 의미 있는 기여를 하며, 다양한 운영 방식에서의 강건성 확보를 위해 그 조합이 필수적임을 확인한다.
• 학습 데이터가 향후 운영 상태와 다를 수 있는 조건에서 수집되더라도, 시스템의 효과적인 모니터링이 가능하다.
• 다양한 지리적 위치와 운영 조건을 가진 실제 112개 발전소 허브에서의 적용을 통해 프레임워크의 실용적 유용성을 입증한다.
• 결과적으로 비지도 정합이 뿐만 아니라, 저고장, 고신뢰성 시스템에서 신뢰할 수 있는 초기 고장 탐지에 필수적임을 보여준다.