An Unsupervised Framework for Dynamic Health Indicator Construction and Its Application in Rolling Bearing Prognostics

기술적 요약: 동적 건강 지표 구축을 위한 비지도 프레임워크 및 회전 베어링 예지 보전 적용

1. 문제 제기

회전 베어링은 산업 기계의 핵심 구성 요소이지만, 가혹한 작동 조건 하에서의 고장은 예기치 않은 고장과 경제적 손실로 이어집니다. 예지 보전은 열화를 나타내고, 잔여 수명 (RUL) 을 예측하며, 고장 시점을 추정하기 위해 건강 지표 (HI) 를 구축하는 데 크게 의존합니다.

기존 HI 구축 방법은 두 가지 주요 한계에 직면해 있습니다:

1. 전문가 지식에 대한 의존: 전통적인 물리 기반 HI(PHIs) 와 가상 HI(VHIs) 는 종종 수동 특징 공학 (예: RMS, 첨도, 엔트로피) 이나 특정 통계적 특징의 융합에 의존합니다. 이 접근법은 도메인 전문 지식을 요구하며, 일반화가 부족하고 인간의 편향을 도입할 수 있습니다.
2. HI 수준 시간적 의존성 무시: 일부 딥러닝 방법은 원시 신호에서 특징을 추출하지만, HI 구축을 정적 작업으로 간주하여 현재 관측치로부터만 지표를 도출합니다. 그들은 HI 수준 시간적 의존성—현재 HI 상태와 과거 값 간의 상관관계—을 명시적으로 모델링하지 못합니다. 열화는 점진적인 과정이므로, 이 동적 관계를 무시하면 HI 가 열화 추세를 정확하게 나타내는 능력을 제한하고 신뢰할 수 있는 예지 보전을 방해합니다.

2. 방법론

저자들은 **동적 건강 지표 (Dynamic HI)**를 구축하기 위한 새로운 비지도 프레임워크를 제안합니다. 이 프레임워크는 수동 특징 공학의 필요성을 제거하면서 명시적으로 시간적 동역학을 모델링하는 두 단계의 순차적 단계로 작동합니다.

1 단계: 스킵 연결 기반 오토인코더 (SkipAE) 를 통한 열화 특징 학습

• 목적: 전문가 개입 없이 원시 진동 신호를 저차원의 대표성 있는 열화 특징 공간 (DFS) 으로 매핑합니다.
• 아키텍처: 표준 오토인코더와 달리, SkipAE 는 인코더 레이어를 해당 디코더 레이어에 직접 연결하는 스킵 연결을 활용하는 것을 기본 골격으로 사용합니다.
• 메커니즘: 이 아키텍처는 인코딩 및 재구성 과정에서 다중 레벨 및 다중 스케일 정보를 보존하여 정보 손실과 기울기 소실 문제를 완화합니다. 이는 원시 신호 ($x_k$) 에서 직접 필수적인 열화 특징 ($z_k$) 을 추출합니다.

2 단계: 내부 HI 예측 블록을 통한 동적 HI 생성

• 목적: 학습된 특징으로부터 HI($y_k$) 를 구축하면서 HI 수준 시간적 의존성을 보장합니다.
• 아키텍처: 경량 HI 생성 모듈이 특징 $z_k$를 1 차원 HI 시계열로 매핑합니다. 핵심적으로, 이 모듈은 내부 HI 예측 블록을 통합합니다.
• 메커니즘:
  • 시간적 모델링: 예측 블록은 과거 상태의 윈도우 ($\{y_i\}_{k-L}^{k-1}$) 를 기반으로 현재 HI 상태 ($\hat{y}_k$) 를 예측합니다. 입력은 예측 정확도를 높이기 위해 추세 및 계절성 성분으로 분해됩니다.
  • 손실 함수: 프레임워크는 다음으로 구성된 결합 손실 함수 ($L_{combined}$) 를 최적화합니다:
    1. 재구성 손실 ($L_{rec}$): HI 가 원래 열화 특징의 정보를 유지하도록 보장합니다.
    2. 예측 손실 ($L_{pre}$): 실제 HI 와 예측된 HI 간의 오차를 최소화하여 HI 수준 시간적 의존성을 명시적으로 강제합니다.
    3. 단조성 손실 ($L_{mono}$): 열화의 물리적 본질과 일치하도록 단조 증가 추세를 강제합니다.
• 학습: 시스템은 확률적 경사 하강법을 사용하여 비지도 방식으로 학습됩니다. 예측 목표에 사용되는 HI 시계열은 학습 중 반복적으로 업데이트됩니다.

3. 주요 기여

1. 스킵 연결 기반 특징 학습: 원시 신호에서 포괄적이고 다중 스케일의 열화 특징을 자동으로 학습하기 위한 SkipAE 모듈의 제안으로, 수동 특징 공학에 대한 의존성을 제거합니다.
2. 시간적 보장을 갖춘 동적 HI 구축: 내부 예측 블록을 통합한 새로운 HI 생성 모듈의 도입. 이는 HI 수준 시간적 의존성을 명시적으로 모델링하고 보장하여 제안된 동적 HI 를 전통적인 정적 HI 와 구별합니다.
3. 예지 보전을 위한 비지도 프레임워크: 구축된 HI 가 높은 대표성, 단조성 및 예측 가능성을 갖도록 보장하는 완전한 비지도 프레임워크의 개발. 이는 두 개의 벤치마크 데이터셋에 대한 광범위한 실험을 통해 검증되었습니다.

4. 실험 결과

이 프레임워크는 IEEE PHM 2012 데이터셋(PRONOSTIA 플랫폼) 과 자체 수집한 HIT-B 데이터셋(가속 수명 시험) 에서 평가되었습니다. 연구에는 동일 기계 동일 조건, 동일 기계 다른 조건, 그리고 다른 기계 다른 조건이라는 세 가지 작업이 포함되었습니다.

• HI 구축 성능: 제안된 방법은 모든 지표 (단조성 (Mon), 추세성 (Tred), 강건성 (Rob), 하이브리드 스케일 (HS)) 에서 비교 방법 (RMS, P-Entropy, ISOMAP, KPCA, CEEMDAN, VAE, SSAE 포함) 보다 우수한 성능을 보였습니다. 특히 Mon 과 Tred 에서 가장 높은 점수를 기록하여 열화 추세를 반영하고 노이즈에 저항하는 능력이 우수함을 나타냈습니다.
• 예지 보전 성능: 열화 추세 예측에 사용될 때, 동적 HI 는 다른 방법들에 비해 현저히 낮은 평균 제곱근 오차 (RMSE) 와 더 높은 예측성 지수 (Pred) 를 보여주었습니다. 평균 Pred 값은 0.9 를 초과한 반면, 다른 방법들은 더 낮은 범위를 보였습니다.
• 절대성 연구: SkipAE, 내부 HI 예측 블록, 또는 HI 생성 모듈을 제거하면 모든 지표에서 성능 저하가 발생했습니다. 이는 스킵 연결이 특징 대표성에 필수적이며, 내부 예측 블록이 시간적 동역학을 포착하고 예지 보전 정확도를 향상시키는 데 필수적임을 확인시켜 주었습니다.

5. 중요성 및 주장

본 논문은 제안된 비지도 프레임워크가 HI 수준 시간적 의존성을 명시적으로 모델링함으로써 기존 HI 구축 방법의 중요한 간극을 해소한다고 주장합니다. 현재 HI 상태가 과거 값과 명시적으로 상관관계를 갖도록 보장함으로써, 구축된 동적 HI 는 열화 과정의 고유한 동적 특성을 더 잘 포착합니다.

저자들은 이 접근법이 다음과 같은 결과를 가져온다고 주장합니다:

• 우수한 대표성: HI 는 회전 베어링의 실제 열화 추세를 더 정확하게 반영합니다.
• 향상된 예측성: 시간적 의존성의 명시적 모델링은 미래 열화 예측 및 RUL 추정의 정확도를 크게 향상시킵니다.
• 강건성: 이 방법은 특징을 재공학할 필요 없이 다양한 작동 조건과 기계 유형에서 잘 작동합니다.

이 연구는 제안된 동적 HI 가 단조롭고 강건할 뿐만 아니라 동적 구축으로 인해 본질적으로 예측 가능하여 더 신뢰할 수 있는 예지 보전 의사 결정을 가능하게 한다고 결론 내립니다.