[論文レビュー] Graph Neural Network-based Early Bearing Fault Detection

Xusheng Du, Jiong Yu|arXiv (Cornell University)|Apr 24, 2022

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本稿では、振動信号をグラフ構造データに変換することで特徴の識別能を向上させる、グラフニューラルネットワーク（GNN）に基づく早期ベアリング故障検出手法を提案する。GNNを用いて信号間の関係をモデル化し、再構成がうまくいかないノードを特定することで、通常のデータに埋もれた初期故障を効果的に検出でき、公表されたベアリングデータセットにおいて従来手法を上回る性能を示した。

ABSTRACT

Early detection of faults is of importance to avoid catastrophic accidents and ensure safe operation of machinery. A novel graph neural network-based fault detection method is proposed to build a bridge between AI and real-world running mechanical systems. First, the vibration signals, which are Euclidean structured data, are converted into graph (non-Euclidean structured data), so that the vibration signals, which are originally independent of each other, are correlated with each other. Second, inputs the dataset together with its corresponding graph into the GNN for training, which contains graphs in each hidden layer of the network, enabling the graph neural network to learn the feature values of itself and its neighbors, and the obtained early features have stronger discriminability. Finally, determines the top-n objects that are difficult to reconstruct in the output layer of the GNN as fault objects. A public datasets of bearings have been used to verify the effectiveness of the proposed method. We find that the proposed method can successfully detect faulty objects that are mixed in the normal object region.

研究の動機と目的

• システムの故障に至る前の初期ベアリング故障を検出する課題に対処すること。
• グラフニューラルネットワークを活用することで、AI駆動手法と実世界の機械的システムの間のギャップを埋めること。
• 通常は独立して扱われる振動信号間の相関関係をモデル化することで、故障検出を向上させること。
• 通常の運用状態と類似しているがために検出が困難な初期段階の故障を特定すること。

提案手法

• ユークリッド構造の振動信号を非ユークリッド的グラフ表現に変換し、信号間の依存関係をモデル化する。
• 各ノードを1つの振動信号として定義し、エッジを信号間の時間的または統計的類似度で符号化するグラフを構築する。
• 各ノードとその近隣ノードの特徴を集約し、複数層にわたって特徴を向上・識別性を高める表現を学習するGNNモデルを訓練する。
• 出力層で再構成誤差を用い、再構成誤差が大きいノード（振動信号）を故障の兆候と特定する。
• 再構成誤差が最大の上位n個のノードを、故障の可能性がある対象として選択する。
• 公表されたベアリングデータセットを活用し、本手法の初期故障検出における有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、振動信号間の相関関係を効果的にモデル化でき、初期故障検出を向上させることができるか？
• RQ2 本手法は、通常の動作と視覚的・統計的に類似している初期ベアリング故障をどの程度正しく検出できるか？
• RQ3 従来の信号処理手法と比較して、グラフ表現が特徴の識別能をどの程度向上させるか？
• RQ4 通常のデータクラスタ内に埋もれているにもかかわらず、GNNにおける再構成誤差が初期故障パターンを信頼性高く特定できるか？

主な発見

• 提案手法は、元の特徴空間では正常信号と区別がつかない故障ベアリング信号を効果的に検出できた。
• 故障は再構成誤差が最大の上位n個のノードとして特定され、その異常性が示された。
• グラフ構造表現により、信号間の関係を捉えることで、より識別性の高い特徴をモデルが学習できた。
• 特に初期段階の故障に対して、公表されたベアリングデータセットにおいて検出性能が向上した。
• 故障が正常データ領域内に存在しても、本手法は故障対象を効果的に分離でき、微細な異常にも高い感受性を示した。