[논문 리뷰] Bearing fault diagnosis under varying working condition based on domain adaptation

Bo Zhang, Wei Li외 2명|arXiv (Cornell University)|2017. 07. 31.

Machine Fault Diagnosis Techniques참고 문헌 25인용 수 21

한 줄 요약

이 논문은 변동하는 작업 조건 하에서 라벨이 부여된 소스 데이터와 라벨이 없는 타겟 데이터의 분포가 다를 때, 부분공간 정렬(SA) 기반의 비지도 도메인 적응 방법을 제안한다. 주어진 라벨이 있는 소스 데이터와 라벨이 없는 타겟 데이터의 특징 부분공간을 주성분분석(PCA)과 선형 변환을 통해 정렬함으로써, 단일 분류기가 다양한 도메인 간에 일반화할 수 있도록 한다. 이로 인해 벤치마크 및 새로운 실험 데이터셋에서 고장 유형과 심각도를 거의 100%의 정확도로 분류하는 데 성공하였다.

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. When the distribution changes, most fault diagnosis models need to be rebuilt from scratch using newly recollected labeled training data. However, it is expensive or impossible to annotate huge amount of training data to rebuild such new model. Meanwhile, large amounts of labeled training data have not been fully utilized yet, which is apparently a waste of resources. As one of the important research directions of transfer learning, domain adaptation (DA) typically aims at minimizing the differences between distributions of different domains in order to minimize the cross-domain prediction error by taking full advantage of information coming from both source and target domains. In this paper, we present one of the first studies on unsupervised DA in the field of fault diagnosis of rolling bearings under varying working conditions and a novel diagnosis strategy based on unsupervised DA using subspace alignment (SA) is proposed. After processed by unsupervised DA with SA, the distributions of training data and testing data become close and the classifier trained on training data can be used to classify the testing data. Experimental results on the 60 domain adaptation diagnosis problems under varying working condition in Case Western Reserve benchmark data and 12 domain adaptation diagnosis problems under varying working conditions in our new data are given to demonstrate the effectiveness of the proposed method. The proposed methods can effectively distinguish not only bearing faults categories but also fault severities.

연구 동기 및 목표

• 작동 조건의 변화로 인해 학습 데이터와 테스트 데이터의 분포가 다를 때 발생하는 베어링 고장 진단 문제를 해결하기 위해.
• 각 새로운 조건에 대해 비용이 많이 드는 재라벨링이 필요 없이 기존의 라벨이 부여된 학습 데이터를 활용하기 위해.
• 다양한 하중과 속도에서 고장 진단 모델의 도메인 일반화 성능을 향상시키기 위해.
• 비지도 적응을 통해 소스 도메인과 타겟 도메인 간의 분포 이탈을 최소화하는 전이 학습 기반의 솔루션을 개발하기 위해.
• 공개 벤치마크 데이터와 다양한 작동 조건을 가진 새로 수집한 실험 데이터를 기반으로 방법을 검증하기 위해.

제안 방법

• 진동 신호를 스펙트럼 이미지로 변환하기 위해 빠른 푸리에 변환(FFT)을 사용하여 특징 표현을 수행한다.
• 소스 도메인과 타겟 도메인 모두에 주성분분석(PCA)을 적용하여 저차원 특징 부분공간을 추출한다.
• 비지도 부분공간 정렬(SA)은 소스 부분공간을 타겟 부분공간과 정렬하기 위한 선형 변환을 학습하며, 도메인 간 차이를 최소화한다.
• 공통된 선형 분류기(SVM 또는 신경망)는 정렬된 소스 데이터에서 학습하고, 이를 직접 타겟 도메인에 적용한다.
• 정렬 과정은 타겟 데이터의 라벨이 전혀 필요 없기 때문에 비지도이다.
• 이 방법은 케이스 웨스턴리저브 대학 데이터에서 60개의 도메인 적응 작업과 다양한 하중과 속도를 가진 새로 수집한 데이터에서 12개의 작업에 대해 평가되었다.

실험 결과

연구 질문

• RQ1 다양한 작동 조건 하에서, 라벨이 부여된 학습 데이터와 라벨이 없는 테스트 데이터 간의 분포 이탈을 비지도 도메인 적응과 부분공간 정렬을 통해 효과적으로 줄일 수 있는가?
• RQ2 재학습이나 재라벨링 없이도, 다양한 하중과 속도에서 높은 고장 분류 정확도를 달성할 수 있는가?
• RQ3 동일한 소스 및 타겟 데이터 분포를 가정하는 전통적인 고장 진단 접근 방식과 비교해 볼 때, 제안된 방법은 어떻게 다른가?
• RQ4 학습 기간 동안 관찰되지 않은 새로운 고장 심각도와 작동 조건에 대해 어느 정도 일반화가 가능한가?
• RQ5 특징 부분공간의 정렬이 교차 도메인 환경에서 고장 유형과 심각도의 구별 능력을 향상시키는가?

주요 결과

• 제안된 방법은 다양한 하중과 속도에서 케이스 웨스턴리저브 대학의 공개 벤치마크 데이터셋에서 60개의 도메인 적응 문제에서 100%의 분류 정확도를 달성하였다.
• 다양한 속도를 가진 새로 수집한 실험 데이터셋에서도 거의 100%의 정확도를 기록하여, 속도 변화에 대한 강력한 일반화 능력을 입증하였다.
• 부분공간 정렬 이후, 서로 다른 도메인에서 동일한 고장 유형의 분포가 시각화 결과에서 크게 가까워졌음을 확인하였다.
• 이 방법은 여러 작동 조건에서 고장 유형과 고장 심도(0.007in에서 0.028in)를 모두 정확히 구분하는 데 성공하였다.
• 이전 방법들이 유일하게 불변 특징 추출에 의존한 것에 비해, 이 방법은 라벨이 없는 타겟 데이터를 활용해 도메인을 능동적으로 정렬함으로써 우수한 성능을 발휘하였다.
• 결과적으로, 운영 조건 변화로 인한 데이터 분포 이탈이 발생하는 실제 베어링 고장 진단 환경에서 비지도 도메인 적응을 통한 부분공간 정렬이 효과적임을 확인하였다.