[논문 리뷰] System-Level Predictive Maintenance: Review of Research Literature and Gap Analysis

Kyle M. Miller, Artur Dubrawski|arXiv (Cornell University)|2020. 05. 11.

Reliability and Maintenance Optimization인용 수 6

한 줄 요약

이 논문은 복잡한 시스템에서 활성 유지보수 하에 열화 궤적을 모델링하기 위해 통합적이고 잠재 상태 기반의 접근법을 제안한다. 구조적, 물리적, 유지보수 데이터를 통합하여 고장 예측을 잠재 표현 학습 문제로 재정의하고, 순환 신경망을 사용하여 고장을 예측하며, 유지보수 조치를 상태 전이로 간주함으로써 고장이 캐시되거나 관측되지 않은 경우에도 신뢰할 수 있는 위험 예측이 가능하게 한다. 이는 복잡한 시스템에서 구성 요소 수준의 모델이 가지는 한계를 극복한다.

ABSTRACT

This paper reviews current literature in the field of predictive maintenance from the system point of view. We differentiate the existing capabilities of condition estimation and failure risk forecasting as currently applied to simple components, from the capabilities needed to solve the same tasks for complex assets. System-level analysis faces more complex latent degradation states, it has to comprehensively account for active maintenance programs at each component level and consider coupling between different maintenance actions, while reflecting increased monetary and safety costs for system failures. As a result, methods that are effective for forecasting risk and informing maintenance decisions regarding individual components do not readily scale to provide reliable sub-system or system level insights. A novel holistic modeling approach is needed to incorporate available structural and physical knowledge and naturally handle the complexities of actively fielded and maintained assets.

연구 동기 및 목표

• 복잡한 자산에서 구성 요소 수준의 예측 유지보수와 시스템 수준의 고장 예측 간의 확장성 격차를 해소한다.
• 잠재 열화 상태, 유지보수 유도 상태 전이, 고장 비용 복잡성과 같은 시스템 수준의 유지보수 예측에서의 핵심 과제를 규명한다.
• 고장이 캐시되거나 관측되지 않을 경우 실패하는 전통적 감독 기반 RUL 방법의 한계를 극복한다.
• 물리적 지식과 유지보수 역사를 통합하여 신뢰성과 정확도를 향상시키는 통합 모델링 프레임워크를 개발한다.
• 구성 요소 상호작용과 유지보수 조치가 열화 궤적에 크게 영향을 주는 복잡한 시스템에서 고장 위험 예측의 강건성을 확보한다.

제안 방법

• 자산 역사를 표현 학습을 통해 잠재 벡터 표현으로 매핑함으로써 시스템 열화를 잠재 상태공간 과정으로 모델링한다.
• 깊은 순환 신경망(예: LSTM, RNN)을 사용하여 역사적 센서 및 유지보수 데이터를 변화하는 잠재 상태로 인코딩한다.
• 유지보수 조치를 이산 상태 전이로 간주하고, 현재 잠재 상태와 조치 유형에 대해 덧셈 함수를 적용하여 모델링한다.
• 구조적, 물리적, 신뢰성 모델(예: FMEA, PHM)을 유도적 편향으로 통합하여 데이터 요구량을 줄이고 모델 일반화 능력을 향상시킨다.
• 부분 관측 가능한 마르코프 결정 과정(POMDP) 프레임워크 내에서 문제를 설정하고, 관측되지 않은 고장을 처리하기 위해 예측 상태 표현(PSR)을 사용한다.
• 관측된 고장 데이터뿐 아니라 캐시된 고장 데이터, 관찰 기간 동안 고장이 발생하지 않은 자산까지 포함하여 엔드 투 엔드 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 유지보수 조치는 복잡한 시스템에서 열화 궤적에 어떻게 영향을 미치며, 이러한 영향은 예측 유지보수 모델링에서 어떻게 반영될 수 있는가?
• RQ2 왜 구성 요소 수준의 예측 유지보수 방법은 시스템 수준의 통찰으로 확장되지 못하며, 그 핵심적인 구조적 차이는 무엇인가?
• RQ3 통합 잠재 상태 표현 모델이 복잡한 자산에서 캐시된 고장 데이터와 유지보수 유도 상태 전이를 효과적으로 다룰 수 있는가?
• RQ4 데이터 기반 열화 모델에 물리적 및 구조적 지식을 통합하여 신뢰성 향상과 데이터 의존도 감소를 어떻게 달성할 수 있는가?
• RQ5 구성 요소 간 통계적 의존성이 시스템 수준의 고장 확률에 미치는 영향은 무엇이며, 최대 구성 요소 가정을 초월해 이를 어떻게 모델링할 수 있는가?

주요 결과

• 복잡한 잠재 열화 상태와 유지보수 유도 상태 전이로 인해 구성 요소 수준의 예측 유지보수 방법은 시스템 수준 응용에 효과적으로 확장되지 못한다.
• 유지보수 조치는 열화 궤적에 상당한 영향을 미치며, 자산 수명 주기 초반에 적용할 경우 기존의 고장까지 남은 시간(RUL) 추정이 오류를 유발할 수 있다.
• 관찰 기간 동안 고장이 발생하지 않은 자산은 표준 감독 기반 RUL 예측에 사용할 수 없으며, 이는 캐시된 데이터를 다룰 수 있는 모델의 필요성을 강조한다.
• POMDP와 PSR에 기반한 잠재 상태 표현 접근법은 고장이 관측되지 않거나 유지보수로 신호가 혼탁해지는 경우에도 강력한 고장 위험 예측이 가능하다.
• 물리적 및 구조적 지식을 모델에 통합함으로써 데이터 요구량을 감소시키고 모델 정확도와 해석 가능성도 향상시킨다.
• 제안된 프레임워크는 유지보수 조치와 구성 요소 상호작용 간의 결합을 자연스럽게 처리하여, 구성 요소별 최대값 또는 독립 모델보다 더 정확한 시스템 수준의 위험 예측을 가능하게 한다.