[論文レビュー] Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition

Bo Zhang, Wei Li+3 more|arXiv (Cornell University)|May 1, 2018

Machine Fault Diagnosis Techniques参考文献 35被引用数 54

ひとこと要約

A2CNNを導入。作業条件が異なる状況での軸受故障診断を目的とした敵対的ドメイン適応を備えた1-D CNNで、クロスドメイン精度が高い。

ABSTRACT

Traditional intelligent fault diagnosis of rolling bearings work well only under a common assumption that the labeled training data (source domain) and unlabeled testing data (target domain) are drawn from the same distribution. However, in many real-world applications, this assumption does not hold, especially when the working condition varies. In this paper, a new adversarial adaptive 1-D CNN called A2CNN is proposed to address this problem. A2CNN consists of four parts, namely, a source feature extractor, a target feature extractor, a label classifier and a domain discriminator. The layers between the source and target feature extractor are partially untied during the training stage to take both training efficiency and domain adaptation into consideration. Experiments show that A2CNN has strong fault-discriminative and domain-invariant capacity, and therefore can achieve high accuracy under different working conditions. We also visualize the learned features and the networks to explore the reasons behind the high performance of our proposed model.

研究の動機と目的

• 作業条件の変化時における軸受故障診断のドメインシフト問題に対処する。
• 故障を識別しつつドメインに不変な特徴を学習するよう、敵対的に訓練された1-D CNNを開発する。
• ラベルなしのターゲットデータを用いて、ターゲットドメインでの故障分類を効果的に実現する。
• ソースとターゲットの特徴抽出器間で部分的に結合を解くことで訓練効率を向上させる。

提案手法

• A2CNNは、ソース特徴抽出器M_S、ターゲット特徴抽出器M_T、ラベル分類器C、そしてドメイン識別器Dから構成される。
• ソース抽出器は、ラベル付きソースデータで訓練され、D_S上の分類損失(L_cls)を最大化するようにする。
• ターゲット抽出器はM_Sから初期化され、ドメイン不変表現を学習するために部分的に結合を解いた層（適応層）を持ち、ドメイン識別子損失(L_adv)により導かれる。
• ドメイン識別器Dはソースとターゲットのドメインサンプルを識別するよう訓練されたMLPであり、M_TはDを欺くよう訓練される（敵対的目的）。
• 訓練は、ラベル付きソースデータでM_Sを事前訓練し、その後ソースとターゲットの特徴を整合させるための敵対的ファインチューニングを行う。
• ターゲットドメインでの予測は、M_Tの最後の全結合層の出力を用いて、最も高いsoftmax確率を持つクラスを選択する。

実験結果

リサーチクエスチョン

• RQ1 作業条件が変化する場合に、敵対的ドメイン適応は信頼できる軸受故障診断を実現できるか。
• RQ2 ソースとターゲット抽出器間の層の部分的な結合解放は、適応性能と訓練効率のバランスを取れるか。
• RQ3 A2CNNを用いた場合、ベースライン手法と比べてドメインシフト全体で故障の適合率と再現率はどのように振る舞うか。

主な発見

• A2CNNは、AdaBN付きのWDCNNを含むベースラインよりクロスドメイン精度が高い（平均99.21%対95.95%）。
• 敵対的適応（A2CNN）は、すべてのドメインペアでA2CNN_S（ソース抽出器のみ）より一貫して性能を向上させる。
• A2CNNは強いドメイン不変性を示し、特にソースとターゲットの分布差が大きい場合に効果を発揮する（例：A↔C、C↔A）。
• 従来のSVM/MLPおよび非敵対的DNNのベースラインと比較して、A2CNNは可変荷重下での性能低下を大幅に緩和する。
• 適合率と再現率の分析は、ほとんどの故障タイプにおいてA2CNNが誤警報と見逃し検出を減少させることを示している。