[论文解读] A Probabilistic Machine Learning Approach to Detect Industrial Plant Faults

Wei Xiao|arXiv (Cornell University)|Mar 18, 2016

Fault Detection and Control Systems参考文献 10被引用 11

一句话总结

本文提出一种基于惩罚逻辑回归、随机森林和梯度提升树的概率机器学习方法，通过将故障开始和结束时间的预测依次建模为分类问题，实现对工业装置故障的检测。该方法在2015年 prognostics and health management society 数据挑战赛中获得第一名，展现出在复杂、异构的装置数据上对多种故障类型及缺失事件数据的强健性能。

ABSTRACT

Fault detection in industrial plants is a hot research area as more and more sensor data are being collected throughout the industrial process. Automatic data-driven approaches are widely needed and seen as a promising area of investment. This paper proposes an effective machine learning algorithm to predict industrial plant faults based on classification methods such as penalized logistic regression, random forest and gradient boosted tree. A fault's start time and end time are predicted sequentially in two steps by formulating the original prediction problems as classification problems. The algorithms described in this paper won first place in the Prognostics and Health Management Society 2015 Data Challenge.

研究动机与目标

• 开发一种基于丰富传感器数据的、面向复杂工业装置的数据驱动故障检测系统。
• 解决在数据异构性和故障事件缺失的条件下，高精度预测故障类型、开始时间和结束时间的挑战。
• 提升工业系统中的早期故障检测能力，以防止系统故障和非计划停机。
• 设计一种可扩展的、针对特定装置的建模策略，以适应不同数量的组件、区域和故障类型分布。

提出的方法

• 将问题分解为两个顺序分类任务：首先预测故障开始时间，然后预测故障结束时间。
• 针对每个装置，使用惩罚逻辑回归、随机森林和梯度提升树在时间序列传感器数据和参考数据上分别训练模型。
• 使用传感器读数（S1–S4）、参考信号（R1–R4）、能耗（E1, E2）以及时间变量的滞后特征作为预测变量。
• 通过梯度提升树评估特征重要性，结果显示S1、S2、S4和经过时间在各类故障中均为最重要的预测因子。
• 最终模型结合了多种算法的预测结果，其中梯度提升在故障结束时间预测中表现尤为出色。
• 由于各装置之间在故障类型分布、组件数量和区域配置方面存在显著差异，因此采用了装置特定的建模策略。

实验结果

研究问题

• RQ1 如何利用异构传感器数据，使机器学习模型有效预测工业装置故障的开始和结束时间？
• RQ2 当故障类型分布和系统配置在不同装置间存在显著差异时，哪些机器学习算法在故障检测中表现最佳？
• RQ3 滞后时间序列特征在复杂工业系统中对提升故障预测准确率的贡献程度如何？
• RQ4 当故障模式和传感器数据结构在不同装置间存在显著差异时，基于装置特定的建模方法是否优于统一模型？
• RQ5 诸如滞后变量和时间指标等不同特征工程策略，对故障检测任务中模型性能的影响如何？

主要发现

• 所提方法在2015年 prognostics and health management society 数据挑战赛中获得第一名，故障开始和结束时间的预测准确率均表现优异。
• 梯度提升树在预测故障结束时间方面优于其他算法，S1、S2、S4和经过时间在各类故障中始终位列前15大重要特征。
• 在故障结束时间预测中，S1和S2在所有故障类型中65%至100%的案例里均位列前15大重要特征。
• 时间相关特征（如“hour”和“weekday”）的重要性因故障类型而异，其中“hour”对F1和F2至关重要，而“weekday”对F3和F4更为相关。
• 该模型在多种装置配置下均表现出稳健性能，即使测试集中存在部分故障事件数据缺失，预测准确率依然很高。
• 特征重要性分析显示，R1–R4整体重要性较低，而E2和E3中等重要，尤其在F3和F5中表现显著。