Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes

要約

複雑なシステムではオペレーティングユニットにさまざまな故障モードが発生することが多く、これが明確な劣化経路につながります。
単一の故障モードでトレーニングされた予測モデルに依存すると、複数の故障モードにわたる汎化パフォーマンスが低下する可能性があります。
したがって、故障モードを正確に特定することが非常に重要です。
現在の予測アプローチは、劣化中の故障モードを無視するか、既知の故障モード ラベルを仮定するかのいずれかですが、実際には取得が困難な場合があります。
さらに、センサー信号の高次元性と複雑な関係により、故障モードを正確に特定することが困難になります。
これらの課題に対処するため、我々はUMAP（Uniform Manifold Improvement and Projection）と呼ばれる次元削減手法を活用し、各ユニットの劣化軌跡をより低い次元に投影し可視化する新しい故障モード診断手法を提案します。
次に、これらの劣化軌跡を使用して、トレーニング ユニットの故障モードを特定するための時系列ベースのクラスタリング手法を開発します。
最後に、単調制約予測モデルを導入し、取得したトレーニング ユニットの故障モードを使用してテスト ユニットの故障モード ラベルと RUL を同時に予測します。
提案された予測モデルは、連続するタイム ステップにわたって RUL 予測の単調特性を維持しながら、故障モード固有の RUL 予測を提供します。
航空機ガスタービン エンジン データセットのケース スタディを使用して、提案されたモデルを評価します。

要約(オリジナル)

Operating units often experience various failure modes in complex systems, leading to distinct degradation paths. Relying on a prognostic model trained on a single failure mode may lead to poor generalization performance across multiple failure modes. Therefore, accurately identifying the failure mode is of critical importance. Current prognostic approaches either ignore failure modes during degradation or assume known failure mode labels, which can be challenging to acquire in practice. Moreover, the high dimensionality and complex relations of sensor signals make it challenging to identify the failure modes accurately. To address these issues, we propose a novel failure mode diagnosis method that leverages a dimension reduction technique called UMAP (Uniform Manifold Approximation and Projection) to project and visualize each unit’s degradation trajectory into a lower dimension. Then, using these degradation trajectories, we develop a time series-based clustering method to identify the training units’ failure modes. Finally, we introduce a monotonically constrained prognostic model to predict the failure mode labels and RUL of the test units simultaneously using the obtained failure modes of the training units. The proposed prognostic model provides failure mode-specific RUL predictions while preserving the monotonic property of the RUL predictions across consecutive time steps. We evaluate the proposed model using a case study with the aircraft gas turbine engine dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google