[論文レビュー] A Novel GAN-based Fault Diagnosis Approach for Imbalanced Industrial Time Series

Wenqian Jiang, Cheng Cheng+3 more|arXiv (Cornell University)|Apr 1, 2019

Anomaly Detection Techniques and Applications参考文献 16被引用数 13

ひとこと要約

本稿では、正常なサンプルのみを用いて訓練する、カスタム特徴抽出器と三つのサブネットワークを備えたエンコーダ・デコーダ・エンコーダアーキテクチャを有するGANベースの故障診断手法を提案する。このモデルは、故障サンプルに対して高い再構成誤差スコアを生成することで、異常検出性能を高く維持し、ベンチマークおよび実世界の軸受データセットにおいてBiGANを上回る性能を発揮する。

ABSTRACT

This paper proposes a novel fault diagnosis approach based on generative adversarial networks (GAN) for imbalanced industrial time series where normal samples are much larger than failure cases. We combine a well-designed feature extractor with GAN to help train the whole network. Aimed at obtaining data distribution and hidden pattern in both original distinguishing features and latent space, the encoder-decoder-encoder three-sub-network is employed in GAN, based on Deep Convolution Generative Adversarial Networks (DCGAN) but without Tanh activation layer and only trained on normal samples. In order to verify the validity and feasibility of our approach, we test it on rolling bearing data from Case Western Reserve University and further verify it on data collected from our laboratory. The results show that our proposed approach can achieve excellent performance in detecting faulty by outputting much larger evaluation scores.

研究の動機と目的

• 正常なサンプルが故障サンプルに比べて著しく多い不均衡な産業用時系列データの課題に対処する。
• 大規模なラベル付き故障データセットを必要とせず、希少な故障パターンを効果的に検出できるディープラーニングフレームワークを開発する。
• 正常データのみを用いた生成モデルを活用することで、多数クラスへのバイアスを回避し、故障診断性能を向上させる。
• 公的ベンチマークデータ（CWRU）およびラボ環境で収集した実世界の産業データを用いて、手法の妥当性を検証する。
• 従来のGANベース手法（例：BiGAN）と比較して、単変量時系列における異常検出の観点から、提案アーキテクチャの優位性を示す。

提案手法

• 生の時系列データから16個の統計的特徴（例：RMS、尖度、歪度）を抽出するドメイン特化型特徴抽出器を設計し、次元削減と計算コストの低減を実現する。
• DCGANに基づくが、Tanh活性化関数を含まない三つのサブネットワーク（エンコーダ・デコーダ・エンコーダ）から成るGANアーキテクチャを実装し、正常サンプルのみで訓練する。
• 生成器は正常時系列の潜在分布を学習し、入力サンプルを再構成する。一方、識別器は本物のサンプルと生成されたサンプルを区別する。
• 20エポックにわたり、初期値0.001、ベータ(0.5, 0.999)を用いたAdam最適化アルゴリズムで、ネットワーク全体を訓練する。
• 再構成誤差を測定することで異常を検出する。高いスコアは、正常パターンからの逸脱が大きいことを示す。
• 検出精度を最大化するために、サブサンプル長（12,000）および潜在ベクトルサイズ（64）などのハイパーパrameterを最適化する。

実験結果

リサーチクエスチョン

• RQ1 正常なサンプルのみで訓練されたGANベースのモデルは、不均衡な産業用時系列データにおいて、故障を効果的に検出できるか？
• RQ2 提案された特徴抽出器は、生の入力データや一般的な特徴抽出手法と比較して、診断性能をどのように向上させるか？
• RQ3 故障検出のための堅牢な性能を発揮する最適なハイパーパrameter設定（例：サブサンプル長、潜在次元）は何か？
• RQ4 提案されたアーキテクチャは、BiGANなどの最先端のGANと比較して、異なる故障タイプの検出においてどのように優れているか？
• RQ5 ベンチマークデータ（CWRU）から実世界の産業データへの一般化能力はどの程度高いか？

主な発見

• 提案手法はCWRUローリングベアリングデータセットにおいて優れた故障検出性能を示し、異常スコアに基づき、正常と故障サンプルの明確な分離が達成された。
• 実世界のラボデータにおいても、高い精度を維持しており、実際の産業現場への適用可能性を示している。
• サブサンプルサイズの変動にわたって、精度と安定性の両面でBiGANを上回っており、アーキテクチャの優位性が裏付けられた。
• 最適なサブサンプル長12,000（50Hzで4分間）は、ラボデータセットにおける故障パターンの本質を捉えている。
• ラボデータセットでは、潜在ベクトルサイズ64が最高の精度をもたらしたが、CWRUデータには顕著な影響を及ぼさなかった。
• 可視化結果から、故障サンプルは正常サンプルと比較して著しく高い再構成誤差と潜在空間の逸脱を示しており、モデルの検出メカニズムの妥当性が確認された。