In complex industrial processes, process fault detection and diagnosis is an important task in reducing production cost and improving product quality, and it can be done by monitoring and analyzing a relationship between a large amount of data collected from various sensors and process working conditions.
Most existing methods for fault detection and diagnosis assume sufficient labeled data available for training. However, label acquisition is costly and laborious in practice, whereas abundant unlabeled data are often available. To make effective use of a large amount of unlabeled data for fault detection and diagnosis, we propose a new approach using semi-supervised deep generative models. In particular, to consider temporal correlation and inter-variable correlation in multivariate time series of process data collected from multiple sensors and to model the complex relationship between high-dimensional process data and process status, we propose two kinds of semi-supervised deep generative models with convolutional neural networks incorporated, namely semi-supervised convolutional deep generative model (SS-CDGM) and semi-supervised convolutional auxiliary deep generative model (SS-CADGM). The proposed models are assessed on data from the Tennessee Eastman benchmark process. The results demonstrate more effective performance of the proposed models than competing methods.
화학 공정과 같은 제조 공정에서는 공정 모니터링과 고장 탐지 및 진단이 가장 중요한 작업 중 하나이다. 고장 탐지와 진단 시스템은 치명적인 사고, 장비의 손실, 불량 제품의 발생을 막고 작업자가 비정상적인 상황을 탐지 할 수 있게 해준다. 고장 탐지, 진단에 대한 연구가 많이 이루어졌지만 이는 라벨링이 되어 있는 고장 데이터와 비고장 데이터 모두가 충분히 많은 상황을 주로 가정한다. 하지만 수집된 데이터에 모두 라벨을 붙이는 것은 비용, 인력부족 등의 문제로 매우 어렵다. 본 연구에서는 이러한 라벨 데이터가 적고 라벨이 없는 데이터가 많은 상황에서의 고장 진단 및 분류를 위한, 준지도학습 심층 생성 모델의 사용을 제안한다. 또한 합성곱 신경망을 사용하여 다변수 시계열 데이터로부터 효율적으로 정보를 추출하고자 하였다. 제안된 모델은 테네시 이스트만 공정 데이터에 적용하여 평가하였고, 실험 결과는 제안된 모델의 우수한 분류 성능을 나타낸다.
