[论文解读] Factor Analysis in Fault Diagnostics Using Random Forest

Nagdev Amruthnath, Tarun Gupta|arXiv (Cornell University)|Apr 30, 2019

Machine Fault Diagnosis Techniques参考文献 41被引用 7

一句话总结

本文提出了一种混合方法，结合高斯混合模型聚类与基于随机森林的因子分析，利用振动和温度数据对工业旋转机械的故障进行诊断。通过聚类运行状态并识别每个聚类的关键特征，该方法能够以高精度定位机器故障的根本原因，实现预测性与预防性维护。

ABSTRACT

Factor analysis or sometimes referred to as variable analysis has been extensively used in classification problems for identifying specific factors that are significant to particular classes. This type of analysis has been widely used in application such as customer segmentation, medical research, network traffic, image, and video classification. Today, factor analysis is prominently being used in fault diagnosis of machines to identify the significant factors and to study the root cause of a specific machine fault. The advantage of performing factor analysis in machine maintenance is to perform prescriptive analysis (helps answer what actions to take?) and preemptive analysis (helps answer how to eliminate the failure mode?). In this paper, a real case of an industrial rotating machine was considered where vibration and ambient temperature data was collected for monitoring the health of the machine. Gaussian mixture model-based clustering was used to cluster the data into significant groups, and spectrum analysis was used to diagnose each cluster to a specific state of the machine. The significant features that attribute to a particular mode of the machine were identified by using the random forest classification model. The significant features for specific modes of the machine were used to conclude that the clusters generated are distinct and have a unique set of significant features.

研究动机与目标

• 识别影响工业旋转设备故障的关键因素。
• 通过诊断故障的根本原因，实现预测性与预防性维护。
• 通过在聚类后的运行状态下应用随机森林进行特征选择，提高故障诊断的准确性。
• 验证不同的机器状态是否对应于独特的显著特征集合。

提出的方法

• 使用高斯混合模型（GMM）将多变量传感器数据聚类为机器的不同运行状态。
• 对每个聚类应用功率谱分析，以诊断与该状态相关的特定故障模式。
• 采用随机森林分类方法识别对每种故障模式贡献最大的显著特征。
• 利用随机森林的特征重要性评分，确定每种故障状态下最具影响力的变量（例如，振动频率、温度）。
• 将无监督聚类与有监督特征选择相结合，以增强诊断结果的可解释性。
• 该方法在真实工业旋转机械数据上进行了验证，结果表明不同故障模式对应不同的特征集合。

实验结果

研究问题

• RQ1 在旋转机械中，哪些传感器特征在诊断特定故障模式时最为显著？
• RQ2 使用GMM对传感器数据进行聚类，能否揭示与已知故障状态相对应的独立运行状态？
• RQ3 随机森林在工业系统中对故障分类有贡献的特征识别与排序的效率如何？
• RQ4 所识别的特征在不同故障模式之间是否存在显著差异，表明其具有独特的根本原因？
• RQ5 该框架能否通过识别可操作因素，支持预测性与预防性维护决策？

主要发现

• GMM聚类成功地将机器数据划分为与特定故障模式相对应的独立运行状态。
• 功率谱分析证实，每个聚类代表一种独特的故障状态，验证了聚类结果的可靠性。
• 随机森林为每种故障模式识别出一组独特且一致的显著特征，显著提升了诊断的可解释性。
• 最具影响力的特征因故障模式而异，表明不同故障类型由不同的物理机制造成。
• 聚类与随机森林的结合实现了对根本原因的可靠识别，支持了预防性维护策略。
• 该方法在真实工业环境中表现出实际应用潜力，显示出在基于状态的维护系统中部署的前景。