A Comparison of Residual-based Methods on Fault Detection

要約

複雑な産業システムの障害検出における重要な最初のステップは、その健全性状態を理解することです。
その後、この健全性状態の推移を観察し、時間の経過に伴う変化を追跡し、障害を特定するには、この健全性状態を継続的に監視することが重要になります。
通常、障害が発生するのはまれであるため、この監視は監視されていない方法で実行することが重要です。
教師なしの方法で障害を検出するだけでなく、異なる潜在的な障害タイプを区別するためのさまざまなアプローチが提案されています。
この研究では、オートエンコーダと、動作条件とセンサー読み取り値の間のマッピングを確立する入出力モデルという 2 つの残差ベースのアプローチ間の包括的な比較を実行します。
両方の方法でシステム全体のセンサーごとの残差と集計された残差を調査します。
パフォーマンス評価は、ヘルス インジケータの構築、障害検出、ヘルス インジケータの解釈という 3 つのタスクに焦点を当てます。
比較を実行するには、商用モジュラー航空推進システム シミュレーション (C-MAPSS) 動的モデル、特に 3 つの異なる故障タイプを含むターボファン エンジン データセットのサブセットを利用します。
すべてのモデルは健全なデータのみでトレーニングされます。
障害の検出は、正常な状態に基づいて決定されたしきい値を適用することによって実現されます。
検出結果は、両方のモデルが平均約 20 サイクルの遅延で障害を検出でき、低い誤検知率を維持できることを示しています。
障害検出パフォーマンスは両方のモデルで同様ですが、入出力モデルの方が、潜在的な障害タイプと障害が発生する可能性のあるコンポーネントに関してより適切な解釈が可能です。

要約(オリジナル)

An important initial step in fault detection for complex industrial systems is gaining an understanding of their health condition. Subsequently, continuous monitoring of this health condition becomes crucial to observe its evolution, track changes over time, and isolate faults. As faults are typically rare occurrences, it is essential to perform this monitoring in an unsupervised manner. Various approaches have been proposed not only to detect faults in an unsupervised manner but also to distinguish between different potential fault types. In this study, we perform a comprehensive comparison between two residual-based approaches: autoencoders, and the input-output models that establish a mapping between operating conditions and sensor readings. We explore the sensor-wise residuals and aggregated residuals for the entire system in both methods. The performance evaluation focuses on three tasks: health indicator construction, fault detection, and health indicator interpretation. To perform the comparison, we utilize the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dynamical model, specifically a subset of the turbofan engine dataset containing three different fault types. All models are trained exclusively on healthy data. Fault detection is achieved by applying a threshold that is determined based on the healthy condition. The detection results reveal that both models are capable of detecting faults with an average delay of around 20 cycles and maintain a low false positive rate. While the fault detection performance is similar for both models, the input-output model provides better interpretability regarding potential fault types and the possible faulty components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google