[論文レビュー] Controlled Generation of Unseen Faults for Partial and Open-Partial Domain Adaptation

Katharina Rombach, Gabriel Michau+1 more|arXiv (Cornell University)|Apr 29, 2022

Machine Fault Diagnosis Techniques被引用数 2

ひとこと要約

本論文は、部分的およびオープン・パーシャル・ドメイン変換設定において、健康データのみがソースドメインとターゲットドメイン間で共有される状況で、未学習の故障シグネチャの制御された生成を目的としたワッサーシュタイン GAN ベースのフレームワークを提案する。故障タイプと深刻度に条件づけて、現実的で多様な故障データを合成することで、大規模なドメインシフト下でも診断性能を顕著に向上させる。

ABSTRACT

New operating conditions can result in a significant performance drop of fault diagnostics models due to the domain shift between the training and the testing data distributions. While several domain adaptation approaches have been proposed to overcome such domain shifts, their application is limited if the fault classes represented in the two domains are not the same. To enable a better transferability of the trained models between two different domains, particularly in setups where only the healthy data class is shared between the two domains, we propose a new framework for Partial and Open-Partial domain adaptation based on generating distinct fault signatures with a Wasserstein GAN. The main contribution of the proposed framework is the controlled synthetic fault data generation with two main distinct characteristics. Firstly, the proposed methodology enables to generate unobserved fault types in the target domain by having only access to the healthy samples in the target domain and faulty samples in the source domain. Secondly, the fault generation can be controlled to precisely generate distinct fault types and fault severity levels. The proposed method is especially suited in extreme domain adaption settings that are particularly relevant in the context of complex and safety-critical systems, where only one class is shared between the two domains. We evaluate the proposed framework on Partial as well as Open-Partial domain adaptation tasks on two bearing fault diagnostics case studies. Our experiments conducted in different label space settings showcase the versatility of the proposed framework. The proposed methodology provided superior results compared to other methods given large domain gaps.

研究の動機と目的

• ソースドメインとターゲットドメイン間で健康データのみが共有される状況において、ドメインシフトの課題に対処すること。
• 安全で重要な産業システムで一般的な極端なドメイン適応状況における転移学習を可能にすること。
• ターゲットドメインの故障データを必要とせず、未学習の故障タイプおよび深刻度レベルの現実的で多様な故障シグネチャを生成すること。
• 共有ラベル空間を仮定する既存のドメイン適応手法の制限を克服すること。
• 希少または観測されない故障タイプが存在する実世界の設定において、診断モデルの一般化性能を向上させること。

提案手法

• 故障タイプと深刻度を表すカテゴリカルな潜在変数に条件づけた、勾配ペナルティを用いた条件付きワッサーシュタイン GAN（WGAN-GP）を用いて、合成故障信号を生成する。
• 故障タイプと深刻度レベルを表すカテゴリカルな潜在変数に条件づけて生成を行う。
• 特徴量の整合性を図るために、ドメイン不変表現を学習するトリプレットエンコーダを採用する。
• ベースデータセットからの実際の健康サンプルに生成信号を加えることで、再構成損失を統合する。
• 早期停止およびモデル評価のためのマルチヘッド分類ヘッドを用いる。
• 敵対的損失、再構成損失、分類損失を組み合わせて、ジェネレータとディスクラミネータをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 ソースドメインとターゲットドメイン間で健康データのみが共有される状況において、制御された合成故障生成がドメイン適応性能を向上させるか？
• RQ2 提案手法は、ソースドメインに存在しない未学習の故障タイプにどの程度一般化できるか？
• RQ3 両ドメインに固有クラスを有するオープン・パーシャル DA 環境において、このフレームワークはどの程度効果的か？
• RQ4 故障深刻度レベルの制御された生成が、大規模なドメインシフト下での診断モデルの頑健性を向上させるか？
• RQ5 精度および一般化性能の観点から、既存の DA ベースラインと比較して、本手法はどの程度優れているか？

主な発見

• 提案手法は、部分的およびオープン・パーシャル DA 環境下で、2つの軸受故障診断データセットにおいて、最先端のベースラインと比較して優れた性能を達成した。
• フレームワークは、ソースドメインの故障データとターゲットドメインの健康データのみを用いて、未学習の故障タイプの現実的な故障シグネチャを成功裏に生成した。
• 故障深刻度レベルの制御された生成により、多様なドメインシフト下でのモデル一般化性能が向上した。
• ターゲットドメインにソースドメインに存在しない完全に新しい故障クラスが含まれる状況でも、本手法は高い診断精度を維持した。
• 実験から、モデルの性能が異なるラベル空間の不一致や大規模なドメインギャップに対しても頑健であることが示された。
• アブレーションスタディにより、条件付き生成および再構成コンポーネントが最適な性能を達成するために重要であることが確認された。