[논문 리뷰] Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition

Bo Zhang, Wei Li외 3명|arXiv (Cornell University)|2018. 05. 01.

Machine Fault Diagnosis Techniques참고 문헌 35인용 수 54

한 줄 요약

A2CNN를 도입하여 다양한 작동 조건에서 베어링 고장을 진단하는 1-D CNN으로, 교차 도메인 정확도가 높음.

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. However, in many real-world applications, this assumption does not hold, especially when the working condition varies. In this paper, a new adversarial adaptive 1-D CNN called A2CNN is proposed to address this problem. A2CNN consists of four parts, namely, a source feature extractor, a target feature extractor, a label classifier and a domain discriminator. The layers between the source and target feature extractor are partially untied during the training stage to take both training efficiency and domain adaptation into consideration. Experiments show that A2CNN has strong fault-discriminative and domain-invariant capacity, and therefore can achieve high accuracy under different working conditions. We also visualize the learned features and the networks to explore the reasons behind the high performance of our proposed model.

연구 동기 및 목표

• 작동 조건이 다양해질 때 베어링 고장 진단의 도메인 시프트 문제를 해결한다.
• 도메인 불변 특성을 학습하기 위해 적대적 학습으로 1-D CNN을 개발한다.
• 레이블이 없는 타깃 데이터를 사용하여 타깃 도메인에서 효과적으로 고장 분류를 가능하게 한다.
• 소스와 타깃 특징 추출기 사이의 계층 일부를 풀어 학습 효율성을 향상시킨다.

제안 방법

• A2CNN은 소스 특징 추출기 M_S, 타깃 특징 추출기 M_T, 레이블 분류기 C, 도메인 구분자 D로 구성된다.
• 소스 추출기는 D_S의 분류 손실을 최대화하도록 레이블이 있는 소스 데이터로 학습되는 1-D CNN이다 (L_cls).
• 타깃 추출기는 M_S에서 초기화되며 부분적으로 풀려 있는 계층(적응 계층)을 가지며 도메인 불변 표현을 학습하도록 도메인 구분자 손실(L_adv)에 의해 안내된다.
• 도메인 구분자 D는 소스 대 타깃 도메인 샘플을 구분하도록 학습되는 MLP이며, M_T는 D를 속이도록 학습된다(적대적 목표).
• 학습은 먼저 라벨이 있는 소스 데이터로 M_S를 예비 학습한 다음 소스와 타깃 특징을 정렬하기 위한 적대적 미세 조정을 수행한다.
• 타깃 도메인에 대한 예측은 M_T의 마지막 FC 계층의 출력을 사용하여 소프트맥스 확률이 가장 높은 클래스를 선택한다.

실험 결과

연구 질문

• RQ1 작동 조건이 바뀔 때도 적대적 도메인 적응이 신뢰할 수 있는 베어링 고장 진단을 가능하게 하는가?
• RQ2 소스와 타깃 추출기 사이의 계층 부분 해제(부분 Untying)가 적응 성능과 학습 효율성 사이의 균형을 이룰 수 있는가?
• RQ3 A2CNN을 사용했을 때 도메인 간 시프트에서 고장 정밀도와 재현율은 기저 방법과 비교하여 어떻게 작용하는가?

주요 결과

• A2CNN은 AdaBN을 포함한 베이스라인보다 교차 도메인 정확도가 더 높다(평균 99.21% 대 95.95%).
• 적대적 적응(A2CNN)은 모든 도메인 쌍에서 A2CNN_S(소스 추출기만)보다 일관되게 성능을 향상시킨다.
• A2CNN은 소스 도메인과 타깃 도메인 간 분포 차이가 큰 경우에 특히 강한 도메인 불변성을 보인다(예: A↔C, C↔A).
• 전통적 SVM/MLP 및 비적대적 DNN 기초 모델과 비교할 때 A2CNN은 다양한 하에서 성능 저하를 상당히 완화한다.
• 정밀도와 재현율 분석은 A2CNN_S에 비해 A2CNN이 대부분의 고장 유형에서 거짓 경보 및 누락 탐지를 감소시킨다.