[论文解读] Mutual Information Matrix for Interpretable Fault Detection.

Feiya Lv, Shujian Yu+2 more|arXiv (Cornell University)|Jul 21, 2020

Fault Detection and Control Systems参考文献 45被引用 2

一句话总结

本文提出了一种互信息（MI）矩阵方法，用于可解释的多变量过程故障检测。通过计算过程变量之间的成对互信息并分析其特征分解，该方法揭示了非线性动态特性，并以高故障检测率（FDR）和低误报率（FAR）识别出根本原因变量，在合成数据和Tennessee Eastman数据上优于现有方法。

ABSTRACT

This paper presents a novel mutual information (MI) matrix based method for fault detection. Given a m-dimensional fault process, the MI matrix is a m$ imes$m matrix in which the (i,j)-th entry measures the MI values between the i-th dimension and the j-th dimension variables. We demonstrate that the transformed components extracted from the obtained MI matrix can precisely unveil the dynamics of the underlying (possibly nonlinear) process, thus offering a reliable indicator to the occurrence of different types of faults. We also suggest that the recently proposed matrix-based Renyi's $\alpha$-entropy is a good surrogate to the classical Shannon's entropy in MI estimation. Experiments on both synthetic data and the benchmark Tennessee Eastman process demonstrate the interpretability of our methodology in identifying the root variables that cause the faults, and the superiority of our methodology in terms the improved fault detection rate (FDR) and the lowest false alarm rate (FAR).

研究动机与目标

• 开发一种能够捕捉多变量过程中非线性依赖关系的故障检测方法。
• 通过MI矩阵分析识别根本原因变量，提升方法的可解释性。
• 利用基于矩阵的Rényi α-熵作为Shannon熵的替代指标，提升故障检测性能。
• 在复杂过程监控中，在保持高检测率的同时降低误报率。

提出的方法

• 构建一个m×m的互信息（MI）矩阵，其中每个条目量化m维过程中变量i与j之间的MI。
• 使用基于矩阵的Rényi α-熵作为稳健替代指标来估计MI，提升估计的稳定性和准确性。
• 对MI矩阵进行特征分解，提取反映底层过程动态的变换分量。
• 利用MI矩阵的特征向量和特征值检测异常并识别故障传播模式。
• 通过分析变量对主导分量的贡献，利用MI矩阵结构解释故障源头。
• 将MI矩阵框架集成到故障检测流程中，实现实时监控与根本原因诊断。

实验结果

研究问题

• RQ1 MI矩阵能否有效捕捉多变量故障过程中的非线性依赖关系？
• RQ2 与传统方法相比，MI矩阵在故障检测性能上有哪些提升？
• RQ3 MI矩阵在多大程度上能够识别出导致故障的根本原因变量？
• RQ4 使用Rényi α-熵作为Shannon熵的替代指标，是否能提升故障检测中的MI估计性能？
• RQ5 MI矩阵框架能否在保持高故障检测率的同时降低误报率？

主要发现

• MI矩阵方法在合成数据和Tennessee Eastman基准数据上均实现了高于基线方法的故障检测率（FDR）。
• 该方法在对比方法中表现出最低的误报率（FAR），表明其可靠性更高。
• MI矩阵的特征分解成功揭示了非线性过程的内在动态特性。
• 与经典的Shannon熵相比，基于矩阵的Rényi α-熵提供了更稳定、更准确的MI估计。
• MI矩阵通过突出对故障传播贡献最大的变量，实现了可解释的故障诊断。
• 该方法在故障场景中有效识别出根本原因变量，显著提升了诊断的透明度。