[論文レビュー] Bearing fault diagnosis under varying working condition based on domain adaptation

Bo Zhang, Wei Li+2 more|arXiv (Cornell University)|Jul 31, 2017

Machine Fault Diagnosis Techniques参考文献 25被引用数 21

ひとこと要約

本稿では、変動する作動条件下でのベアリング故障診断を目的とした、部分空間アライメント（SA）に基づく教師なしドメイン適応手法を提案する。訓練データとテストデータの分布が異なる状況において、主成分分析（PCA）と線形写像を用いてラベル付きのソースデータとラベルなしのターゲットデータの特徴部分空間をアライメントすることで、1つの分類器が複数のドメインに一般化可能となり、ベンチマークデータおよび新規の実験データにおいて、故障種別および深刻度の分類でほぼ100％の精度を達成した。

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. When the distribution changes, most fault diagnosis models need to be rebuilt from scratch using newly recollected labeled training data. However, it is expensive or impossible to annotate huge amount of training data to rebuild such new model. Meanwhile, large amounts of labeled training data have not been fully utilized yet, which is apparently a waste of resources. As one of the important research directions of transfer learning, domain adaptation (DA) typically aims at minimizing the differences between distributions of different domains in order to minimize the cross-domain prediction error by taking full advantage of information coming from both source and target domains. In this paper, we present one of the first studies on unsupervised DA in the field of fault diagnosis of rolling bearings under varying working conditions and a novel diagnosis strategy based on unsupervised DA using subspace alignment (SA) is proposed. After processed by unsupervised DA with SA, the distributions of training data and testing data become close and the classifier trained on training data can be used to classify the testing data. Experimental results on the 60 domain adaptation diagnosis problems under varying working condition in Case Western Reserve benchmark data and 12 domain adaptation diagnosis problems under varying working conditions in our new data are given to demonstrate the effectiveness of the proposed method. The proposed methods can effectively distinguish not only bearing faults categories but also fault severities.

研究の動機と目的

• 変動する作動条件により、訓練データとテストデータの分布が異なる状況におけるベアリング故障診断の課題に対処すること。
• 各新しい条件に対して高価な再アノテーションを要しない、既存のラベル付き訓練データを活用すること。
• 異なる荷重および回転速度における故障診断モデルのドメイン一般化性能を向上させること。
• 教師なし適応を用いてソースドメインとターゲットドメイン間の分布シフトを最小限に抑える、転移学習ベースのソリューションを開発すること。
• 公開ベンチマークデータおよび多様な作動条件を有する新規に収集した実験データを用いて、手法の有効性を検証すること。

提案手法

• 特徴表現として、振動信号を高速フーリエ変換（FFT）によりスペクトル画像に変換する。
• ソースドメインおよびターゲットドメインの両方に主成分分析（PCA）を適用し、低次元の特徴部分空間を抽出する。
• 教師なし部分空間アライメント（SA）は、ソース部分空間をターゲット部分空間に一致させる線形変換を学習し、ドメイン差を最小化する。
• 共通の線形分類器（SVMまたはニューラルネットワーク）をアライメント済みのソースデータ上で学習し、直接的にターゲットドメインに適用する。
• アライメント処理は、ターゲットデータにラベルが一切不要であるため、教師なしである。
• 本手法は、ケースウェスタンリーベルト大学のデータから得た60件のドメイン適応タスクおよび、変動する荷重と回転速度を有する新規に収集したデータからの12件のタスクで評価された。

実験結果

リサーチクエスチョン

• RQ1 変動する作動条件下で、ラベル付き訓練データとラベルなしテストデータ間の分布シフトを、部分空間アライメントを用いた教師なしドメイン適応が効果的に低減できるか？
• RQ2 再トレーニングや再アノテーションを伴わずに、本手法が異なる荷重および回転速度においても高い故障分類精度を達成できるか？
• RQ3 本手法は、ソースとターゲットのデータ分布が同一であると仮定する従来の故障診断手法と比較して、どのように優れているか？
• RQ4 本手法は、トレーニング時に観測されていない新たな故障深刻度および作動条件に対しても、どの程度一般化できるか？
• RQ5 特徴部分空間のアライメントは、クロスドメイン環境下で故障種別および深刻度の判別能を向上させるか？

主な発見

• 本手法は、変動する荷重および回転速度下で、ケースウェスタンリーベルト大学のベンチマークデータセットから得た60件のドメイン適応問題において、100％の分類精度を達成した。
• 変動する回転速度を有する新規に収集した実験データセットにおいても、本手法はほぼ100％の精度を達成し、回転速度の変動に強い一般化性能を示した。
• 部分空間アライメント後、異なるドメイン間で同一の故障クラスの分布が著しく近づいたことが、可視化によって確認された。
• 本手法は、複数の作動条件下で、故障種別および故障深刻度（0.007in から 0.028in）を明確に区別できた。
• 本手法は、不変特徴抽出に依存する従来手法よりも優れており、ラベルなしターゲットデータを用いてドメインを能動的にアライメントするためである。
• 結果から、作動条件の変化に起因するデータ分布のシフトが生じる実世界のベアリング故障診断において、部分空間アライメントによる教師なしドメイン適応が有効であることが確認された。