Deep Convolutional Autoencoder for Assessment of Drive-Cycle Anomalies in Connected Vehicle Sensor Data

要約

この研究では、完全畳み込みオートエンコーダを使用して、車両の教師なし故障検出を自動化するための実用的で新しい方法を調査します。
この結果は、私たちが開発したアルゴリズムが、ハイブリッド電気自動車のパワートレイン センサーの多変量時系列データのパターンを学習することで、パワートレインの故障に対応する異常を検出できることを示しています。
データは、フォード モーター カンパニーのエンジニアによって、いくつかの駆動サイクルの変化にわたって多数のセンサーから収集されました。
この研究は、トレーニング済みオートエンコーダーの異常検出能力の証拠を提供し、このデータセットにおける自動障害検出に対する他の教師なし手法と比較したオートエンコーダーの適合性を調査します。
パワートレイン センサー データに対してオートエンコーダをテストした予備結果は、オートエンコーダによって利用されるデータ再構成アプローチが、多変量系列の異常シーケンスを特定するための強力な技術であることを示しています。
これらの結果は、ハイブリッド電気自動車のパワートレインの異常が組み込み電子通信システムのセンサー信号を介して伝えられるため、訓練されたアルゴリズムを使用して機械的に特定できることを裏付けています。
追加の教師なしメソッドがテストされ、オートエンコーダーが異常値検出器やその他の新しい深層学習技術よりも故障検出において優れたパフォーマンスを発揮することが示されました。

要約(オリジナル)

This work investigates a practical and novel method for automated unsupervised fault detection in vehicles using a fully convolutional autoencoder. The results demonstrate the algorithm we developed can detect anomalies which correspond to powertrain faults by learning patterns in the multivariate time-series data of hybrid-electric vehicle powertrain sensors. Data was collected by engineers at Ford Motor Company from numerous sensors over several drive cycle variations. This study provides evidence of the anomaly detecting capability of our trained autoencoder and investigates the suitability of our autoencoder relative to other unsupervised methods for automatic fault detection in this data set. Preliminary results of testing the autoencoder on the powertrain sensor data indicate the data reconstruction approach availed by the autoencoder is a robust technique for identifying the abnormal sequences in the multivariate series. These results support that irregularities in hybrid-electric vehicles’ powertrains are conveyed via sensor signals in the embedded electronic communication system, and therefore can be identified mechanistically with a trained algorithm. Additional unsupervised methods are tested and show the autoencoder performs better at fault detection than outlier detectors and other novel deep learning techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google