[論文レビュー] Time Series Fault Classification for Wave Propagation Systems with Sparse Fault Data

Erik Jakobsson, Erik Frisk+2 more|KTH Publication Database DiVA (KTH Royal Institute of Technology)|Mar 30, 2022

Time Series Analysis and Forecasting被引用数 4

ひとこと要約

本稿では、波動伝播系における故障データが疎である状況に対して、個々のシステムからのノーマル参照データを用いて時間遅れと振幅差を計算することで、相対的特徴に基づく時系列分類手法を提案する。この手法は、個々のシステム固有のベースラインからの逸脱に注目することで、波動伝播効果やシステム構成の違いに起因する高い可変性下でも、最先端のTSC手法に比べて故障分類の正確性を顕著に向上させる。

ABSTRACT

In this work Time Series Classification techniques are investigated, and especially their applicability in applications where there are significant differences between the individuals where data is collected, and the individuals where the classification is evaluated. Classification methods are applied to a fault classification case, where a key assumption is that data from a fault free reference case for each specific individual is available. For the investigated application, wave propagation cause almost chaotic changes of a measured pressure signal, and physical modeling is difficult. Direct application of One-Nearest-Neighbor Dynamic Time Warping, a common technique for this kind of problem, and other machine learning techniques are shown to fail for this case and new methods to improve the situation are presented. By using relative features describing the difference from the reference case rather than the absolute time series, improvements are made compared to state-of-the-art time series classification algorithms.

研究の動機と目的

• 個々のシステムのレベルでの顕著な変動が生じる状況下で、トレーニングとは異なる未観測の個々のシステムにモデルを展開する際の一般化性能の悪さという課題に対処すること。
• 境界条件やハードウェアの違いに強く影響を受ける波動伝播系において、動的時間ワープ（DTW）のような標準的なTSC手法に見られる限界を克服すること。
• すべての構成にわたる広範な故障データを必要とせず、各導入システムから最小限のノーマル（故障なし）データを活用することで、分類のロバスト性を向上させること。
• 個々のシステムの可変性が著しい状況下で、時間遅れと振幅偏差をシステム固有の基準からの相対的特徴として測定する方法が、絶対的時系列特徴に比べて故障検出において優れていることを実証すること。
• データ駆動型モデルがデータの多様性が不足しているために失敗する場合に、ドメイン知識が特徴工学において果たす役割を調査すること。

提案手法

• 各導入システムから1件のノーマル（故障なし）測定値を収集し、それをシステム固有の基準として用いる。
• 各テスト信号をその対応する基準信号と比較することで、信号をあらかじめ同期化するための動的時間ワープ（DTW）を用い、時間遅れδ_tsと振幅偏差δ_ampの相対的特徴を計算する。
• 生の時系列データではなく、これらの相対的特徴を分類器（例：SVM や k-NN）の入力として用いることで、個々のシステムのばらつきに対する感受性を低減する。
• 相対的特徴に対してDTWに基づく距離計算を適用することで、波動伝播特性が異なる複数のシステム間でも、分類のロバスト性を確保する。
• 基準データは起動時の一回の収集で済み、キャリブレーションに使用されるフレームワークを設計し、構成変更を検出するメカニズムを備える。
• 自己符号化ネットワーク（Siamese network）を用いて、参照データから直接相対的特徴表現を学習する可能性を検討し、基準からの故障関連差分をエンドツーエンドで学習可能にする。

実験結果

リサーチクエスチョン

• RQ1 個々のシステムのばらつきが著しい状況下で、トレーニングシステムとは大きく異なる展開システムに適用する際、どのようにして時系列分類を有効にできるか？
• RQ2 ターゲットシステムのノーマル（故障なし）データを用いることで、故障分類における個々の差の影響を軽減できるか？
• RQ3 波動伝播系において個々のシステム間で高い可変性が生じる状況下で、最先端の時系列分類手法はどの程度の性能を示すか？
• RQ4 データの多様性が不足している状況下で、ドメイン知識が機械学習性能を向上させるために果たす役割は何か？

主な発見

• 動的時間ワープを用いたワンネARESTネIGHBORを含む、標準的な時系列分類手法は、波動伝播に起因する信号歪みと構成変動の影響を受けて、異なる個々のシステム間での一般化に失敗する。
• システム固有のノーマルデータから導出される相対的特徴（δ_ts と δ_amp）を用いることで、生の時系列データや絶対的特徴を用いる場合に比べ、分類性能が顕著に向上する。
• 相対的特徴アプローチにより、すべての可能なシステム構成にわたる大規模かつ多様な故障データの収集の必要性が低減され、これは産業現場においてしばしば現実的でない。
• ホース長、ポンプタイプ、ドリル方向といった、波動伝播に影響を与える主要な境界条件の変化に対しても、局所的基準からの逸脱に注目することで、この手法はロバストである。
• 時間遅れと振幅偏差に注目した特徴選択というドメイン知識が、同じ分類器とデータを用いても、顕著な性能向上をもたらす。
• 起動時における1回のノーマル測定値の収集が行われれば、再トレーニングを最小限に抑えつつ、故障分類システムの展開が可能になる。