[論文レビュー] Spatial Graph Convolutional Neural Network via Structured Subdomain Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis

Mohammadreza Ghorvei, Mohammadreza Kavianpour+2 more|arXiv (Cornell University)|Dec 11, 2021

Machine Fault Diagnosis Techniques被引用数 6

ひとこと要約

本稿では、構造的サブドメイン適応とドメイン adversarial 学習を統合した空間的グラフ畳み込みニューラルネットワーク、DSAGCN を提案する。これにより、変動する作動条件下での教師なし軸受故障診断の性能が向上する。グラフ畳み込みによるデータ幾何構造のモデル化と、敵対的学習および局所的Maximum Mean Discrepancy (LMMD) を用いたグローバルドメインとローカルサブドメインの整合化により、DSAGCN は CWRU データセットで k=2 の最適値をとるとき 100% の精度を達成し、ベースライン手法よりも高速な収束を示す。

ABSTRACT

Unsupervised domain adaptation (UDA) has shown remarkable results in bearing fault diagnosis under changing working conditions in recent years. However, most UDA methods do not consider the geometric structure of the data. Furthermore, the global domain adaptation technique is commonly applied, which ignores the relation between subdomains. This paper addresses mentioned challenges by presenting the novel deep subdomain adaptation graph convolution neural network (DSAGCN), which has two key characteristics: First, graph convolution neural network (GCNN) is employed to model the structure of data. Second, adversarial domain adaptation and local maximum mean discrepancy (LMMD) methods are applied concurrently to align the subdomain's distribution and reduce structure discrepancy between relevant subdomains and global domains. CWRU and Paderborn bearing datasets are used to validate the DSAGCN method's efficiency and superiority between comparison models. The experimental results demonstrate the significance of aligning structured subdomains along with domain adaptation methods to obtain an accurate data-driven model in unsupervised fault diagnosis.

研究の動機と目的

• 既存の教師なしドメイン適応 (UDA) 手法が、データ幾何構造を無視し、サブドメインレベルの分布差を無視するという制限を解消すること。
• センサデータを空間的グラフとしてモデル化し、k-近傍法を用いることで、振動信号の内在的データ構造をグラフ畳み込みネットワーク (GCNN) でモデル化し、変動する作動条件下での故障診断精度を向上させること。
• 敵対的学習と局所的 MMD (LMMD) を用いて、グローバルドメイン分布とローカルサブドメイン分布を同時に整合化することで、ドメインシフトを低減すること。
• ラベルなしのターゲットデータを必要とせず、異なる作動条件に一般化しやすいエンドツーエンドのディープラーニングフレームワークを構築すること。
• 実世界の軸受データセットにおける構造的サブドメイン適応とハイブリッドドメイン整合化の有効性を検証すること。

提案手法

• 振動信号の幾何構造を符号化するために、k-近傍法を用いた空間的グラフとしてセンサデータをモデル化するグラフ畳み込みニューラルネットワーク (GCNN) を構築する。
• ソースドメインとターゲットドメイン間でドメイン不変特徴を学習するために、ドメイン識別器を用いた敵対的ドメイン適応を採用する。
• 同じ故障クラス内でのサブドメイン分布を整合化するために、局所的 Maximum Mean Discrepancy (LMMD) を適用し、ローカルな分布シフトを低減する。
• 敵対的損失、LMMD損失、分類用交差エントロピー損失を組み合わせた損失関数を定義し、バックプロパゲーションにより同時に最適化する。
• 多項式グラフフィルタを用いてグラフ畳み込み演算を定義し、k を近傍接続性を制御するハイパーパrameterとして設定する。
• ラベルありソースデータとラベルなしターゲットデータを用いてエンドツーエンドで学習することで、教師なし条件下での転移学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みによる軸受振動信号の幾何構造モデリングが、ドメインシフト下での故障診断性能向上に寄与するか？
• RQ2 敵対的ドメイン適応と構造的サブドメイン整合化 (LMMD を用いて) を組み合わせることで、グローバルドメイン整合化のみに比べて一般化性能が向上するか？
• RQ3 精度と計算効率の観点から、k-近傍法によるグラフ構築における最適なk値は何か？
• RQ4 GC-MMD や GC-CORAL などの既存の UDA 手法と比較して、提案手法 DSAGCN の収束速度と安定性はどのように異なるか？
• RQ5 訓練目的関数における敵対的損失係数と LMMD 損失係数の最適ハイパーパrameterは何か？

主な発見

• k=2 のとき、DSAGCN は CWRU データセットにおける転送タスク B→D および H→G で 100% の故障診断精度を達成し、他のすべての手法を上回る。
• k=2 の場合、モデルは最高の精度と最短の学習時間を達成し、CWRU データセットでの学習時間は 396 秒であった。
• k が 10 を超えると診断精度が著しく低下し、k=100 のときには 66% まで低下する。これは、k の値が高くなると複雑性が増し、性能が劣化することを示している。
• GC-MMD や GC-MKMMD、GC-CORAL よりも収束が早く、変動が小さいため、訓練の安定性と効率性に優れていることが示された。
• 最適なハイパーパramータは、敵対的損失係数 β=0.5 および LMMD 損失係数 μ=1 であり、これが最高の精度をもたらした。
• PU データセットでは、k=2 のとき DSAGCN は 98.63% の精度を達成し、他の手法を著しく上回り、複数回の実行においても高い安定性を維持した。