[论文解读] Learning in the Model Space for Fault Diagnosis

Huanhuan Chen, Peter Tiňo+2 more|arXiv (Cornell University)|Oct 31, 2012

Fault Detection and Control Systems参考文献 26被引用 8

一句话总结

本文提出了一种认知故障诊断框架，通过在模型空间中利用回声网络计算和一类支持向量机进行学习，以检测和隔离复杂时变系统中的故障，且无需事先了解故障类型。通过滚动窗口对信号段进行建模，并在特征空间中分析由此产生的线性读出模型，该方法实现了动态故障库构建，在故障隔离准确性和对未知故障的鲁棒性方面优于现有方法。

ABSTRACT

The emergence of large scaled sensor networks facilitates the collection of large amounts of real-time data to monitor and control complex engineering systems. However, in many cases the collected data may be incomplete or inconsistent, while the underlying environment may be time-varying or un-formulated. In this paper, we have developed an innovative cognitive fault diagnosis framework that tackles the above challenges. This framework investigates fault diagnosis in the model space instead of in the signal space. Learning in the model space is implemented by fitting a series of models using a series of signal segments selected with a rolling window. By investigating the learning techniques in the fitted model space, faulty models can be discriminated from healthy models using one-class learning algorithm. The framework enables us to construct fault library when unknown faults occur, which can be regarded as cognitive fault isolation. This paper also theoretically investigates how to measure the pairwise distance between two models in the model space and incorporates the model distance into the learning algorithm in the model space. The results on three benchmark applications and one simulated model for the Barcelona water distribution network have confirmed the effectiveness of the proposed framework.

研究动机与目标

• 解决在数学模型不可用或因时变或未建模环境而不准确的复杂工程系统中故障诊断的挑战。
• 开发一种无需事先了解故障类型、数量或功能形式的认知故障诊断系统。
• 通过在拟合模型的空间中学习而非在信号空间中学习，实现实时故障检测与隔离。
• 在新故障出现时动态构建故障库，支持增量学习和认知故障隔离。
• 在模型空间中理论定义并引入模型距离，以提高健康模型与故障模型之间的区分能力。

提出的方法

• 使用确定性回声网络计算模型表示滚动窗口中的信号段，将其转换为动态特征空间。
• 对每个信号段的回声网络输出拟合线性读出模型，在模型空间中生成一系列模型。
• 基于读出参数的几何结构，在模型空间中定义严格的模型距离度量，优先考虑偏移而非方向差异。
• 在模型空间中应用一类支持向量机（OCSVM），学习正常模型的分布，并将偏差检测为异常。
• 实现一种增量一类学习算法，以检测新故障并实时动态扩展故障库。
• 当参数域非均匀时，使用采样方法或高斯混合模型来估计模型距离。

实验结果

研究问题

• RQ1 对于复杂时变系统，能否通过在模型空间中学习而非在信号空间中学习来有效实现故障诊断？
• RQ2 如何在模型空间中为模型之间定义有意义的距离度量以支持故障区分？
• RQ3 一类学习在模型空间中能否实现对未知或未预见故障的动态故障库构建？
• RQ4 与传统的信号空间方法相比，所提出的模型空间学习框架在故障隔离准确性和鲁棒性方面表现如何？
• RQ5 模型距离定义对一类学习在故障诊断中性能的影响是什么？

主要发现

• 所提出的DRC-OCS方法在故障隔离方面整体表现最佳，在精确率、召回率和特异性指标上均优于AP-model及其他模型空间学习方法。
• DRC-OCS框架在一个基准测试中发现了270种子故障，表明其对故障变化具有高度敏感性，这反映了其捕捉细微故障模式的能力。
• 模型空间中的模型距离度量与读出参数的标准平方欧几里得距离显著不同，强调了在模型区分中偏移的重要性。
• 使用确定性回声网络模型提高了模型拟合性能并简化了模型结构，增强了框架的鲁棒性。
• 该框架成功实现了实时动态故障库构建，即使在面对此前未见过的故障类型时也能实现认知故障隔离。
• 在三个基准系统和一个模拟的巴塞罗那供水分配网络上的实证结果证实了模型空间学习方法的有效性和鲁棒性。