[論文レビュー] Survey of prognostics methods for condition-based maintenance in engineering systems

Ehsan Taheri, Ilya Kolmanovsky+1 more|arXiv (Cornell University)|Dec 3, 2019

Fault Detection and Control Systems参考文献 241被引用数 8

ひとこと要約

本論文は、機械的・電気的システムにおける状態監視保守（CBM）のための予後予測手法について包括的なサーベイを提供しており、残存耐用年数（RUL）を予測するためのモデル、アルゴリズム、データ処理技術をレビューしている。物理ベース、データ駆動、ハイブリッドのアプローチを評価し、モデル選定基準、データ品質、不確実性の定量化、航空宇宙・自動車・産業分野における実装上の課題に焦点を当てる。

ABSTRACT

It is not surprising that the idea of efficient maintenance algorithms (originally motivated by strict emission regulations, and now driven by safety issues, logistics and customer satisfaction) has culminated in the so-called condition-based maintenance program. Condition-based program/monitoring consists of two major tasks, i.e., extit{diagnostics} and extit{prognostics} each of which has provided the impetus and technical challenges to the scientists and engineers in various fields of engineering. Prognostics deals with the prediction of the remaining useful life, future condition, or probability of reliable operation of an equipment based on the acquired condition monitoring data. This approach to modern maintenance practice promises to reduce the downtime, spares inventory, maintenance costs, and safety hazards. Given the significance of prognostics capabilities and the maturity of condition monitoring technology, there have been an increasing number of publications on machinery prognostics in the past few years. These publications cover a wide range of issues important to prognostics. Fortunately, improvement in computational resources technology has come to the aid of engineers by presenting more powerful onboard computational resources to make some aspects of these new problems tractable. In addition, it is possible to even leverage connected vehicle information through cloud-computing. Our goal is to review the state of the art and to summarize some of the recent advances in prognostics with the emphasis on models, algorithms and technologies used for data processing and decision making.

研究の動機と目的

• 機械的・電気的システムにおける状態監視保守（CBM）のための予後予測手法の最新動向をレビューすること。
• 異なる工学分野において、物理的モデル、統計的モデル、データ駆動型モデルの強み・弱み・適用可能性を分析すること。
• RUL予測における主な課題、特にデータ品質、不確実性の定量化、モデルの複雑さ、実世界への展開の難しさを特定すること。
• システム要件、故障モード、運用制約に基づいて、適切な予後モデルを選定するための実務家向けのガイダンスを提供すること。
• 特に、複雑な故障モードやシステムレベルの予後予測を伴う実世界の事例が不足している点を強調すること。

提案手法

• 物理ベース、統計的、データ駆動型のカテゴリーに分類し、ベイジアンネットワーク、カルマン/パーティクルフィルタ、自己回帰モデル、ニューラルネットワークなどのサブタイプを含む。
• データ要件、ノイズへの感受性、修復タイプの仮定（完全/不完全）、故障モードの取り扱い、信頼区間の提供能力といった基準を用いて、モデルの実装を評価する。
• RUL推定のための性能指標（平均絶対誤差（MAE）、平均二乗誤差（RMSE）、予測区間カバレッジ確率（PICP））をレビューする。
• 自動車分野（例：湿式クラッチ、発電機）および航空宇宙分野における実世界の応用を分析し、ピアツーピアの車両健康管理を含む。
• システムの重要度、データの可用性、必要な精度に基づいて、適切なモデル選定を支援するツール選定フレームワークを提案する。
• クラウドコンピューティングと接続された車両のデータが、特にデータ集約型モデルにおいて予後能力を向上させることの重要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 状態監視保守システムにおける診断と予後予測の主な違いは何ですか？
• RQ2 物理ベース、統計的、データ駆動型のどのモデルタイプが、それぞれの工学的応用に最も適しているのか、その理由は何か？
• RQ3 データ品質、ノイズ、モデルの仮定は、RUL予測の信頼性と正確性にどのように影響するか？
• RQ4 重複する故障モードや共通モード故障を伴う実世界のシステムに予後モデルを適用する際の主な課題は何か？
• RQ5 実際のリスク管理において、信頼区間と不確実性の定量化を効果的に予後モデルに統合するにはどうすればよいか？

主な発見

• 物理ベースのモデルは、データ駆動型モデルよりも高い正確性を発揮し、データ量も少ないが、深いつながりの知識を要し、航空機のような安全が重要なシステムに最適である。
• ニューラルネットワークのようなデータ駆動型モデルは、よりアクセスしやすくスケーラブルであるが、信頼区間を提供する場合が少なく、トレーニングに膨大なデータを要する。
• ダイン成長モデル、比例強度モデル、隠れマルコフモデルのわずかなモデルしか、不完全修復の状況を効果的に扱えない。
• 大多数のモデルは、単一の主要な故障モードを持つ部品レベルのRUL予測に適しているが、複数の相互作用する故障モードを有する複雑なシステムに適用すると、著しく性能が低下する。
• 実際の運用環境で変動する条件や重複故障を伴う状況で、学術的な予後モデルが実際に展開された実世界の事例が著しく不足している。
• モデルの複雑さと実装の手間は、商用ソフトウェアが存在する状況でも主な障壁であり、著者らはしばしばモデル開発と検証に要する時間と専門知識を過小評価している。