[論文レビュー] Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection

Wenbin Song, Di Wu+2 more|arXiv (Cornell University)|Apr 27, 2022

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本稿では、ユニット間ばらつき（UtUV）を考慮して、関係ネットワークを用いて汎用的距離を学習し、健全状態埋め込みを用いて誤報を低減することで、ローリングベアリングの早期故障検出を目的としたメタラーニングベースの少数ショット異常検出手法を提案する。実世界の2つのデータセットにおいて、ベースラインと比較してより早期の起動故障検出と低い誤報率を達成した。

ABSTRACT

Early fault detection (EFD) of rolling bearings can recognize slight deviation of the health states and contribute to the stability of mechanical systems. In practice, very limited target bearing data are available to conduct EFD, which makes it hard to adapt to the EFD task of new bearings. To address this problem, many transfer learning based EFD methods utilize historical data to learn transferable domain knowledge and conduct early fault detection on new target bearings. However, most existing methods only consider the distribution drift across different working conditions but ignore the difference between bearings under the same working condition, which is called Unit-to-Unit Variability (UtUV). The setting of EFD with limited target data considering UtUV can be formulated as a Few-shot Anomaly Detection task. Therefore, this paper proposes a novel EFD method based on meta-learning considering UtUV. The proposed method can learn a generic metric based on Relation Network (RN) to measure the similarity between normal data and the new arrival target bearing data. Besides, the proposed method utilizes a health state embedding strategy to decrease false alarms. The performance of proposed method is tested on two bearing datasets. The results show that the proposed method can detect incipient faults earlier than the baselines with lower false alarms.

研究の動機と目的

• 限られたターゲットベアリングデータしか入手できない状況において、ローリングベアリングの早期故障検出（EFD）の課題に対処すること。
• 既存のトランスファーラーニング手法がしばしば無視するが、故障検出性能に大きな影響を与えるユニット間ばらつき（UtUV）を認識し、モデル化すること。
• 限られたデータとUtUVを考慮した状況下でEFDタスクを少数ショット異常検出問題として定式化し、新しいベアリングへの一般化を向上させること。
• 正常およびターゲットベアリングデータ間の類似性を測る汎用的類似度メトリックを学習する手法を開発し、起動故障をより早期に検出すること。
• 健全状態埋め込み戦略を用いて異常検出感度を向上させることで、誤報を低減すること。

提案手法

• 関係ネットワーク（RN）を用いて、正常リファレンスデータと新しいターゲットベアリングデータ間の類似度を測る汎用的メトリックを学習する。
• メタラーニングを用いて、複数のベアリングからの正常データのサポートセット上でRNを訓練し、少数のサンプルで新しいベアリングに素早く適応可能にする。
• 現在のベアリングの健全状態を符号化する健康状態埋め込み戦略を導入し、異常検出感度を向上させる。
• エピソード学習を用いてモデルを訓練し、各エピソードで新しいベアリングをシミュレートし、少数のサポートサンプルとクエリサンプルを用いて少数ショット適応を実現する。
• メタトレーニング中に、類似した（正常な）サンプルと類似しない（異常な）サンプルの間のコントラスト損失を最小化するようにRNを最適化する。
• 訓練済みモデルを用いて、新しいベアリングからのクエリデータを学習済みメトリックおよび埋め込みと比較することで、起動故障を検出する。

実験結果

リサーチクエスチョン

• RQ1 メタラーニングベースの少数ショット異常検出フレームワークは、限られたターゲットデータでのローリングベアリングの起動故障を効果的に検出できるか？
• RQ2 ユニット間ばらつき（UtUV）をモデル化することで、ベアリング固有のばらつきを無視する手法と比較して、早期故障検出性能がどのように向上するか？
• RQ3 健康状態埋め込み戦略は、早期故障検出における誤報をどの程度低減できるか？
• RQ4 提案手法は、既存のトランスファーラーニングおよび異常検出ベースラインと比較して、検出の早期性と正確性の面でどのように優れているか？

主な発見

• 提案手法は、2つの実世界のベアリングデータセットにおいて、ベースライン手法よりも早期に起動故障を検出できた。
• 健康状態埋め込みの統合により、異常識別能が向上したため、誤報率が低く抑えられた。
• メタラーニングの活用により、少数のターゲットサンプルでのみ新しいベアリングに素早く適応可能となり、少数ショットEFDに適していることが示された。
• 関係ネットワークを用いたメトリック学習は、UtUV下でも正常状態と異常状態の類似性を効果的に捉えていた。
• 異なる作動条件およびベアリングユニットにおいても、安定した性能を示し、優れた一般化能力を有していた。
• 実験的結果から、UtUVを考慮することで、このばらつきを無視する手法と比較して、故障検出の信頼性が向上し、故障の早期特定が可能になることが確認された。