[论文解读] Remaining Useful Life Estimation Using Functional Data Analysis

Qiyao Wang, Shuai Zheng+3 more|arXiv (Cornell University)|Apr 12, 2019

Fault Detection and Control SystemsEngineering参考文献 30被引用 19

一句话总结

该论文提出一种基于函数数据分析（FDA）的函数型多层感知机（functional MLP），通过将传感器时序数据建模为连续随机过程，以改进剩余使用寿命（RUL）估计。该方法能够捕捉单元内相关性及单元间变异性，在NASA C-MAPSS基准数据集上实现了SOTA性能，相较于LSTM在平均RMSE上提升26.89%，在平均评分上提升70.54%。

ABSTRACT

Remaining Useful Life (RUL) of an equipment or one of its components is defined as the time left until the equipment or component reaches its end of useful life. Accurate RUL estimation is exceptionally beneficial to Predictive Maintenance, and Prognostics and Health Management (PHM). Data driven approaches which leverage the power of algorithms for RUL estimation using sensor and operational time series data are gaining popularity. Existing algorithms, such as linear regression, Convolutional Neural Network (CNN), Hidden Markov Models (HMMs), and Long Short-Term Memory (LSTM), have their own limitations for the RUL estimation task. In this work, we propose a novel Functional Data Analysis (FDA) method called functional Multilayer Perceptron (functional MLP) for RUL estimation. Functional MLP treats time series data from multiple equipment as a sample of random continuous processes over time. FDA explicitly incorporates both the correlations within the same equipment and the random variations across different equipment's sensor time series into the model. FDA also has the benefit of allowing the relationship between RUL and sensor variables to vary over time. We implement functional MLP on the benchmark NASA C-MAPSS data and evaluate the performance using two popularly-used metrics. Results show the superiority of our algorithm over all the other state-of-the-art methods.

研究动机与目标

• 解决现有数据驱动RUL估计方法在建模单元内时间相关性及单元间随机变异方面的局限性。
• 开发一种新型深度学习框架，将传感器时序数据视为连续函数型数据，以更好地捕捉动态退化模式。
• 通过显式建模传感器变量与剩余寿命之间随时间变化的关系，提升RUL预测精度。
• 在标准NASA C-MAPSS基准数据集上，使用RMSE和基于评分的指标评估所提方法。
• 证明所提方法在RUL估计方面优于SOTA模型（如LSTM、CNN和HMMs）。

提出的方法

• 函数型MLP将每台设备的传感器时序数据视为时间上连续的随机过程样本，从而实现基于FDA的函数型数据分析建模。
• 通过将整个时序数据建模为函数型观测，整合单元内时间相关性与单元间随机变异。
• 利用函数型主成分分析（FPCA）从原始时序数据中提取低维函数型特征。
• 在函数型主成分得分上训练多层感知机以预测RUL，从而实现特征与RUL之间灵活的、时变的关系建模。
• 该方法借助函数型表示，避免了RNN或LSTM中对固定映射关系的强假设。
• 模型通过基于RMSE和非对称评分指标（更严厉惩罚高估）的损失函数，采用端到端反向传播进行训练。

实验结果

研究问题

• RQ1 将传感器时序数据建模为连续函数型过程，是否能相比标准深度学习模型提升RUL估计精度？
• RQ2 函数型MLP如何处理退化模式中的单元内时间依赖性和单元间变异性？
• RQ3 函数型方法是否能减少RNN和LSTM中固有的固定映射假设带来的偏差？
• RQ4 函数型MLP在NASA C-MAPSS基准数据集上相比SOTA方法的性能提升程度如何？
• RQ5 该模型在C-MAPSS数据集中不同发动机类型和故障模式下的表现如何？

主要发现

• 在C-MAPSS的全部四个数据子集上，函数型MLP相较于LSTM实现了26.89%的平均RMSE降低。
• 在评分指标上，函数型MLP相较于LSTM实现了70.54%的平均提升，表明其对高估的处理更优。
• 在FD001数据集上，函数型MLP的RMSE为13.36，优于LSTM的16.14，提升17.22%。
• 在评分指标上，函数型MLP在FD001上达到2.0×10²，而LSTM为3.4×10²，提升41.18%。
• 可视化对比显示，估计的RUL在接近寿命末期时与真实RUL高度吻合，表明预测具有强可靠性。
• 该模型在C-MAPSS的全部四个数据子集（FD001–FD004）中均表现出一致的优越性，证实其对不同故障模式的鲁棒性。