[论文解读] Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder

Pankaj Malhotra, Vishnu Tv+5 more|arXiv (Cornell University)|Aug 22, 2016

Machine Fault Diagnosis Techniques参考文献 39被引用 165

一句话总结

本论文提出一种基于 LSTM 编码器-解码器的无监督健康指数（HI），用于从多传感器时间序列估计剩余使用寿命（RUL），不假设退化形状，并在 Turbofan、Milling、Pulverizer 数据集上进行评估。

ABSTRACT

Many approaches for estimation of Remaining Useful Life (RUL) of a machine, using its operational sensor data, make assumptions about how a system degrades or a fault evolves, e.g., exponential degradation. However, in many domains degradation may not follow a pattern. We propose a Long Short Term Memory based Encoder-Decoder (LSTM-ED) scheme to obtain an unsupervised health index (HI) for a system using multi-sensor time-series data. LSTM-ED is trained to reconstruct the time-series corresponding to healthy state of a system. The reconstruction error is used to compute HI which is then used for RUL estimation. We evaluate our approach on publicly available Turbofan Engine and Milling Machine datasets. We also present results on a real-world industry dataset from a pulverizer mill where we find significant correlation between LSTM-ED based HI and maintenance costs.

研究动机与目标

• 通过在不假设固定退化形式的前提下预测 RUL 来促进基于条件的维护。
• 提出从正常运行重建误差中学习的无监督 HI。
• 通过对训练实例的曲线匹配来演示基于 HI 的 RUL 估计。

提出的方法

• 训练一个 LSTM-Encoder-Decoder 来重构健康的多变量时间序列子序列。
• 将重建误差计算为未标准化的健康指示器；为每个实例推导一个目标 HI。
• 从推导的传感器特征学习一个从0到1的线性回归映射到 HI。
• 使用训练实例的 HI 曲线通过带时间滞后的曲线匹配来估计测试实例的 RUL。
• 可选地使用具有线性（LR-Lin）或指数（LR-Exp）HI 目标的 LR 模型进行比较。
• 通过对相似时间滞后进行加权平均，在测试和训练实例之间匹配 HI 曲线。

实验结果

研究问题

• RQ1 是否可以通过重建误差学习的无监督 HI 捕捉退化，而不假设退化形式？
• RQ2 与基于领域知识的退化模型相比，基于 HI 的 RUL 估计能有多好？
• RQ3 跨实例的 HI 曲线匹配在初始健康状况和运行条件变化时是否提供稳健的 RUL 估计？
• RQ4 使用 LR 与从 LSTM-ED 派生的 HI 目标对 RUL 精度的影响有多大？

主要发现

模型	S	A(%)	MAE	MSE	MAPE1(%)	MAPE2(%)	FPR(%)	FNR(%)
LSTM-ED	1263	36	18	546	39	9	34	30
LR-Exp	280	60	10	177	21	5.2	13	27
LR-ED 1	477	65	12	288	20	5.9	19	16
LR-ED 2	256	67	10	164	18	5.0	13	20
RC	216	67	10	176	20	NR	56	44

• 基于 LSTM-ED 的 HI 随着寿命的推移，重建误差增加而跟踪退化。
• LR-ED 2（归一化平方重建误差）在 Turbofan 数据上优于 LR-Exp、LR-ED 1 和 LR-ED 2 的变体。
• LR-ED 2 的性能达到或优于 RUL-CLIPPER 基线，而无需依赖指数退化假设。
• 当最后一个周期的 HI 越低时，RUL 估计会更好且方差更小，接近寿命末期。
• HI 基方法在不同数据集上表现具竞争力，包括铣削和 Pulverizer 磨机，并且与维护成本具有有意义的相关性。