Health Index Estimation Through Integration of General Knowledge with Unsupervised Learning

要約

状態監視データ (CM) から健全性指数 (HI) を正確に推定することは、複雑なシステムにおける信頼性が高く解釈可能な予後と健全性管理 (PHM) に不可欠です。
ほとんどのシナリオでは、複雑なシステムはさまざまな動作条件で動作し、さまざまな障害モードを示す可能性があるため、CM データから教師なしで HI を推論することが大きな課題となります。
この課題を克服するために、劣化に関する事前知識と深層学習モデルを組み合わせたハイブリッド モデルが提案されています。
ただし、以前に提案された HI 推定用のハイブリッド モデルは通常、システム固有の情報に大きく依存しており、他のシステムへの移植性が制限されています。
この研究では、劣化に関する一般的な知識を畳み込みオートエンコーダのモデル アーキテクチャと学習アルゴリズムに統合し、さまざまなシステムへの適用性を高める、HI 推定のための教師なしハイブリッド手法を提案します。
提案された方法の有効性は、ターボファン エンジンとリチウム電池という異なる領域の 2 つのケース スタディで実証されています。
結果は、提案された方法が、HI 品質と残存耐用年数 (RUL) 予測の有用性の点で、残差ベースの方法を含む他の競合代替方法よりも優れていることを示しています。
ケーススタディでは、HI ラベルでトレーニングされた教師ありモデルを使用した、提案された方法の同等のパフォーマンスも強調しています。

要約(オリジナル)

Accurately estimating a Health Index (HI) from condition monitoring data (CM) is essential for reliable and interpretable prognostics and health management (PHM) in complex systems. In most scenarios, complex systems operate under varying operating conditions and can exhibit different fault modes, making unsupervised inference of an HI from CM data a significant challenge. Hybrid models combining prior knowledge about degradation with deep learning models have been proposed to overcome this challenge. However, previously suggested hybrid models for HI estimation usually rely heavily on system-specific information, limiting their transferability to other systems. In this work, we propose an unsupervised hybrid method for HI estimation that integrates general knowledge about degradation into the convolutional autoencoder’s model architecture and learning algorithm, enhancing its applicability across various systems. The effectiveness of the proposed method is demonstrated in two case studies from different domains: turbofan engines and lithium batteries. The results show that the proposed method outperforms other competitive alternatives, including residual-based methods, in terms of HI quality and their utility for Remaining Useful Life (RUL) predictions. The case studies also highlight the comparable performance of our proposed method with a supervised model trained with HI labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google