[论文解读] Hybrid deep fault detection and isolation: Combining deep neural networks and system performance models

Manuel Arias Chao, Chetan S. Kulkarni+2 more|arXiv (Cornell University)|Aug 5, 2019

Fault Detection and Control Systems被引用 26

一句话总结

本文提出了一种混合深度学习框架，将基于物理的性能模型与数据驱动的诊断方法相结合，以提升复杂系统中的故障检测与隔离能力。通过模型校准推断未观测到的过程变量，该方法增强了输入表征，从而在可变运行条件下实现更优的故障隔离，且在检测与隔离准确率方面均优于纯数据驱动方法。

ABSTRACT

With the increased availability of condition monitoring data and the increased complexity of explicit system physics-based models, the application of data-driven approaches for fault detection and isolation has recently grown. While detection accuracy of such approaches is generally good, their performance on fault isolation often suffers from the fact that fault conditions affect a large portion of the measured signals thereby masking the fault source. To overcome this limitation and enable a more accurate fault detection, we propose a hybrid approach combining physical performance models with deep learning algorithms. Unobserved process variables are inferred with a physics-based performance model to enhance the input space of a data-driven diagnostics model. To validate the effectiveness of the proposed method, we generate a condition monitoring dataset of an advanced gas turbine during flight conditions under healthy and four faulty operative conditions based on the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dynamical model. We evaluate the performance of the proposed method in combination with two different deep learning algorithms: feed forward neural networks and Variational Autoencoders, both of which demonstrate a significant improvement when applied within the hybrid fault detection and diagnostics framework. The proposed method is able to outperform pure data-driven solutions, particularly for systems with a high variability of operating conditions. It provides superior results both for fault detection as well as for fault isolation. For fault isolation, it overcomes the smearing effect that is observed in pure data-driven approaches and enables a precise isolation of the affected signal. We also demonstrate that deep learning algorithms provide a better performance on fault detection compared to the traditional machine learning algorithms.

研究动机与目标

• 解决航空发动机等安全关键系统中因故障罕见且多样而导致的标注故障数据有限的问题。
• 克服数据驱动故障隔离中的“模糊效应”（即相关信号掩盖真实故障源）。
• 在运行条件高度多变的情况下提升诊断性能，此类条件会削弱传统数据驱动模型的可靠性。
• 开发一种混合框架，结合物理系统模型与深度学习，以增强表征学习与故障定位能力。
• 证明经校准的模型变量可显著提升故障隔离性能，超越仅使用残差或原始传感器数据所能达到的效果。

提出的方法

• 使用 C-MAPSS 动力学模型生成航空燃气涡轮在正常及四种故障状态下的合成状态监测数据。
• 利用基于物理的性能模型推断未观测到的系统变量，生成状态变量（$\hat{X}_s$, $\hat{X}_v$）和模型参数（$\hat{\theta}$）的校准估计值。
• 将校准后的模型输出作为增强输入特征，输入深度学习模型（特别是深度前馈神经网络与变分自编码器）。
• 仅使用健康数据训练深度学习模型，将故障检测视为一类分类问题。
• 利用深度模型的潜在空间表征检测与健康运行状态的偏差。
• 在故障隔离中，利用校准后的模型参数（$\hat{\theta}$）识别根本原因，避免残差法中常见的“模糊效应”。

实验结果

研究问题

• RQ1 结合基于物理的模型与深度学习的混合方法是否能提升在运行条件多变系统中的故障检测与隔离性能？
• RQ2 与仅使用传感器残差或原始数据相比，引入校准后的模型变量（$\hat{\theta}$）是否能提升故障隔离准确率？
• RQ3 该混合方法在故障检测与隔离任务中，与纯数据驱动的深度学习模型及传统 OC-SVM 模型相比，性能如何？
• RQ4 模型校准的质量在多大程度上影响混合框架中故障隔离的能力？
• RQ5 深度自编码器的潜在空间是否能提供比原始信号或残差信号更具信息量的系统健康表征？

主要发现

• 该混合方法在 C-MAPSS 数据集上实现了完美的故障检测准确率，优于纯数据驱动的深度学习模型与传统 OC-SVM 模型。
• 通过引入校准后的模型参数（$\hat{\theta}$），故障隔离性能显著提升，能够精确识别根本原因，有效克服了“模糊效应”。
• 变分自编码器与深度前馈神经网络的潜在空间表征能清晰区分健康与故障状态，从而简化了检测任务。
• 该方法在运行条件多变时表现出更强的鲁棒性，而纯数据驱动模型因分布偏移而失效。
• 基于残差与基于校准的输入在检测性能上相近，但仅基于校准的输入能实现准确的故障隔离。
• 该框架的有效性依赖于基于物理模型的保真度；若模型校准质量较差，则会降低故障隔离能力，提示未来工作需优化模型或整合残差信息。