[论文解读] Temporal data mining for root-cause analysis of machine faults in automotive assembly lines

Srivatsan Laxman, Basel Shadid+2 more|ArXiv.org|Apr 29, 2009

Data Mining Algorithms and Applications参考文献 12被引用 5

一句话总结

本文提出一种基于频繁事件发现的时序数据挖掘框架，用于识别汽车发动机装配线中机器故障的根本原因。通过使用领域特定启发式规则作为过滤器分析带时间戳的故障日志，系统检测出具有统计显著性的故障相关性——例如，一台机器的故障引发另一台机器的故障——从而实现故障的早期检测，比人工识别提前约2.5周，预计可节省55台发动机的生产时间。

ABSTRACT

Engine assembly is a complex and heavily automated distributed-control process, with large amounts of faults data logged everyday. We describe an application of temporal data mining for analyzing fault logs in an engine assembly plant. Frequent episode discovery framework is a model-free method that can be used to deduce (temporal) correlations among events from the logs in an efficient manner. In addition to being theoretically elegant and computationally efficient, frequent episodes are also easy to interpret in the form actionable recommendations. Incorporation of domain-specific information is critical to successful application of the method for analyzing fault logs in the manufacturing domain. We show how domain-specific knowledge can be incorporated using heuristic rules that act as pre-filters and post-filters to frequent episode discovery. The system described here is currently being used in one of the engine assembly plants of General Motors and is planned for adaptation in other plants. To the best of our knowledge, this paper presents the first real, large-scale application of temporal data mining in the manufacturing domain. We believe that the ideas presented in this paper can help practitioners engineer tools for analysis in other similar or related application domains as well.

研究动机与目标

• 解决在高度自动化的发动机装配线中，利用数据驱动技术诊断复杂且相互关联的机器故障的挑战。
• 开发一种可扩展的、无需模型的故障事件时序相关性检测方法，适用于大规模工业时序日志。
• 将工厂工程师提供的领域知识整合到数据挖掘流程中，以提高结果的相关性和可解释性。
• 展示时序数据挖掘在工业故障诊断中的实际应用价值，特别是针对新设备中此前未知的故障模式。
• 为工厂工程师提供一种实用且可部署的工具，通过早期检测故障相关性，减少停机时间并提升产线效率。

提出的方法

• 将频繁事件发现框架应用于发动机装配工厂分布式控制系统中的时序故障日志。
• 根据物理布局（区域和工位）对故障日志进行分区，以隔离局部故障序列并进行分析。
• 使用启发式规则作为预过滤器和后过滤器，聚焦于与工厂工程师相关的特定结构模式的故障事件。
• 基于 $ \frac{T}{MN} $ 的阈值计算事件频率和统计显著性，其中 $ T $ 为总时间，$ M $ 为机器数量，$ N $ 为事件数量。
• 通过检测事件频率的上升趋势来触发对新兴故障相关性的警报。
• 将系统集成到通用电气发动机工厂部署的故障诊断工具箱中，支持实时和回溯分析。

实验结果

研究问题

• RQ1 时序数据挖掘能否检测出在传统分析方法下不明显的、非显性的工业故障日志中的隐藏故障相关性？
• RQ2 如何将工厂工程师提供的领域知识有效编码为启发式规则，以提高检测到的故障事件的相关性？
• RQ3 在复杂制造系统中，无模型、数据驱动的方法在识别机器故障根本原因方面，与人工诊断相比能有多大优势？
• RQ4 该系统能否检测出涉及新安装但无历史故障记录的机器的故障相关性？
• RQ5 早期检测故障相关性对生产吞吐量和停机时间减少的影响如何？

主要发现

• 该系统在2004年3月检测到故障相关性 $ B \rightarrow A $ 具有统计显著性，后经证实为重大故障集群的根本原因，从而实现早期干预。
• 该系统识别出一台新安装机器人（工位C）反复故障的先前未知根本原因，即故障 $ C_Y $ 出现在故障 $ C_X $ 之前，修复 $ C_Y $ 后 $ C_X $ 故障得以解决。
• 该系统可比人工识别提前约2.5周发出 $ B \rightarrow A $ 故障相关性的警报，潜在节省55台额外发动机的生产时间。
• 该方法无需详细的过程建模，仅依赖领域专家提供的基础启发式规则，证明了其在真实场景中的实用性。
• 该框架成功识别出一台无历史故障数据的新设备中非显性且此前未知的故障模式，验证了其发现能力。
• 该系统现已在通用汽车一家发动机工厂常态化使用，并正考虑在其他工厂部署，证实其实际运行价值。