-
A recurrent neural network based health indicator for remaining useful life prediction of bearings논문 리뷰/공부 2021. 7. 8. 12:43
1. Introduction
- bearing의 remaining useful life (RUL)을 예측하는 기술을 개발하고 향상시키는 필요성이 증가하고 있음
- bearing의 RUL 예측을 위한 data-driven 방법들의 프레임워크는 일반적으로 3 단계로 구성됨
- 이 중 health indicators (HIs)의 성능이 RUL 예측 정확도에 핵심적인 영향을 미침
- multidimensional statistical feature를 이용한 데이터 fusion을 통해 합성된 HIs는 2개의 문제점이 있음
* 문제점
1.
- 많은 기존 통계적 feature들은 범위가 다르기 때문에 HIs의 구성에 동일한 기여를 하지 못함
- 특히 vibration signal의 time domain, frequency domain, time-frequency domain에서 추출된 통계적 feature들은 다른 범위와 다른 저하 시그니처를 보임
Two statistical features of a bearing - 특정한 범위의 통계적 feature들을 추출하는 새로운 기술 탐색이 필요
- similarity measurement는 data sequence를 0부터 1 사이의 범위로 매핑해줌
- similarity measurement는 HI를 구성하거나 RUL을 직접적으로 예측하는 몇몇 예측 방법에서 사용됨
- 본 논문에서는 특정한 스케일의 feature를 추출하기 위하여 similarity measurement 사용
2.
- 각기 다른 설비의 failure time HI는 큰 variation 범위를 갖고 있기 때문에 failure threshold (FT) 결정이 어려움
- data-driven 방법에서는 HI가 미리 정의된 FT를 넘었을 때 RUL이 얻어짐
- 시계열 데이터에 효과적인 RNN based 방법들은 예측 결과가 confidence limit를 제공하지 않는다는 문제점이 있음
- 본 논문에서는 HI를 구성하기 위해 RNN이 적용되고, RUL과 예측 간격은 exponential model로 계산됨
* 본 논문 제안 방법론 단계
- 기존 통계적 feature의 큰 분산을 극복하기 위해 6개의 related-similarity (RS) feature와 8개의 time-frequency feature가 합쳐져 풍부한 bearing 저하 시그니처를 포함한 original feature set 형성
- monotonicity와 correlation metric을 이용하여 불량에 가장 민감한 feature들을 선택
- 선택된 feature들을 RNN을 이용하여 하나의 HI로 융합 (RNN-HI)
* 본 논문 main contribution
- RS feature는 normalization 과정 없이 RUL 예측을 위해 직접적으로 사용 가능
- RS는 현재 inspection 데이터와 초기 operation point의 데이터 사이의 유사도를 계산하는 것
- 선택된 feature들을 bearing 저하 퍼센트를 나타내는 RNN-HI로 자동적으로 매핑해주는 RNN이 학습됨
- 불량 상태에서 RNN-HI의 값은 1이므로 FT가 인위적으로 정해질 필요가 없음
2. Basic theory of RNN
-
-
-
3. Proposed health indicator
Flowchart of the proposed health indicator 3-1. Related-similarity and feature extraction
- 현재와 초기 data sequence 사이의 similarity measurement를 통해 RS feature 계산
- time t의 data sequence는 ft, 작업 초기의 data sequence는 f0일 때 위 식을 통해 RS 계산
- k는 data sequence의 길이, 물결 f는 평균값
RS feature in a frequency domain - RS feature는 각기 다른 설비에서도 0에서 1사이의 범위로 제한됨
- ft와 f0가 광범위하게 겹쳐지면 RS feature는 1, 설비가 건강하게 유지된다는 것을 의미
- 설비가 저하될수록 RS feature 값 감소
feature set - time domain에서 1개, frequency domain에서 5개의 RS feature, time-frequency domain에서 8개의 기존 feature
3-2. Selection of sensitive features
- feature selection의 main task는 충분한 불량 시그니처를 제공하지 않는 불필요한 feature들을 제거하는 것
- 좋은 예측 feature는 저하 프로세스와 monotonically correlate 되어야 함
- feature set에서 가장 민감한 feature들을 고르기 위해 correlation과 monotonicity metric 이용
- correlation metric은 feature와 operating time 사이의 linear correlation으로 계산
- t번째 관측된 sample에서 Ft는 feature, lt는 time value
- monotonicity metric은 feature의 증가 또는 감소 트렌드를 평가
- dF는 feature series의 differential
- Mon=1은 feature가 완전히 monotonic 함을, 반대는 oscillating 함을 의미함
- 2개의 metric 모두 [0,1] 범위로 국한되어 있음
- 후보 feature들의 성능에 양의 상관관계가 있음
- 2개 metric의 linear combination을 계산하여 feature selection 기준으로 사용
3-3. RNN-HI construction
- 선택된 feature를 RNN-HI로 융합하기 위해 RNN 모델 사용
- output yt는 [0,1] 범위의 값으로, time t에서 bearing의 저하 퍼센트를 나타냄
- 위와 같이 정의된 cost function을 최소화 시키도록 RNN 모델 학습시킴
- output이 0에서 1사이의 값이 나오도록 output layer에서 sigmoid function 이용
- hidden layer를 구성하기 위해 LSTM cell 이용
- 테스트 과정에서 테스트 데이터의 선택된 feature는 학습된 RNN에 직접 input으로 들어감
- RNN-HI는 1과 동일한 일정한 FT를 갖고 있음
- 이 일정한 FT를 이용하여 RUL이 추정될 수 있음
4. Experiment verification
-
-
-
5. Industrial data verification
-
-
-
6. Conclusion
- bearing RUL 예측 정확도를 향상시키기 위한 RNN-HI 제안
- 다양한 범위를 가진 기존 time, frequency domain feature들을 0에서 1사이의 값을 갖는 RS feature로 매핑하는 feature extraction method 제안
- Cri metric을 이용하여 가장 많은 정보를 갖고 민감한 feature가 선택됨
- RNN-HI를 구성하기 위해 선택된 feature가 input으로 들어감
- 제안한 RNN-HI의 효과를 평가하기 위해 double exponential model을 이용함
본 논문 : Guo, L., Li, N., Jia, F., Lei, Y., & Lin, J. (2017). A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing, 240, 98–109. https://doi.org/10.1016/j.neucom.2017.02.045
* 개인적 리뷰
-
-
'논문 리뷰 > 공부' 카테고리의 다른 글