[논문 리뷰] Controlled Generation of Unseen Faults for Partial and Open-Partial Domain Adaptation

Katharina Rombach, Gabriel Michau외 1명|arXiv (Cornell University)|2022. 04. 29.

Machine Fault Diagnosis Techniques인용 수 2

한 줄 요약

이 논문은 부분적 및 개방형 부분적 도메인 적응 설정에서, 소스 도메인과 타겟 도메인 간에 유일하게 공유되는 데이터가 건강한 데이터일 경우, 미리 보지 못한 고장 서명을 제어적으로 생성하기 위한 워샤르스타인 GAN 기반 프레임워크를 제안한다. 고장 유형과 심각도에 조건을 줌으로써, 현실적이고 다양한 고장 데이터를 합성하여, 큰 도메인 이동 조건에서도 진단 성능을 크게 향상시킨다.

ABSTRACT

New operating conditions can result in a significant performance drop of fault diagnostics models due to the domain shift between the training and the testing data distributions. While several domain adaptation approaches have been proposed to overcome such domain shifts, their application is limited if the fault classes represented in the two domains are not the same. To enable a better transferability of the trained models between two different domains, particularly in setups where only the healthy data class is shared between the two domains, we propose a new framework for Partial and Open-Partial domain adaptation based on generating distinct fault signatures with a Wasserstein GAN. The main contribution of the proposed framework is the controlled synthetic fault data generation with two main distinct characteristics. Firstly, the proposed methodology enables to generate unobserved fault types in the target domain by having only access to the healthy samples in the target domain and faulty samples in the source domain. Secondly, the fault generation can be controlled to precisely generate distinct fault types and fault severity levels. The proposed method is especially suited in extreme domain adaption settings that are particularly relevant in the context of complex and safety-critical systems, where only one class is shared between the two domains. We evaluate the proposed framework on Partial as well as Open-Partial domain adaptation tasks on two bearing fault diagnostics case studies. Our experiments conducted in different label space settings showcase the versatility of the proposed framework. The proposed methodology provided superior results compared to other methods given large domain gaps.

연구 동기 및 목표

• 소스 도메인과 타겟 도메인 간에 유일하게 건강한 데이터만 공유되는 조건에서 고장 진단의 도메인 이동 문제를 해결한다.
• 안전이 중요한 산업 시스템에서 흔한 극단적 도메인 적응 상황에서의 전이 학습을 가능하게 한다.
• 타겟 도메인의 고장 데이터가 필요 없이, 미리 보지 못한 고장 유형과 심각도 수준에 대해 현실적이고 다양한 고장 서명을 생성한다.
• 공유 레이블 공간을 가정하는 기존 도메인 적응 방법의 한계를 극복한다.
• 희귀하거나 관측되지 않은 고장 유형이 존재하는 실제 환경에서 진단 모델의 일반화 능력을 향상시킨다.

제안 방법

• 고장 유형과 심각도 수준을 나타내는 범주형 잠재 변수에 조건을 줌으로써, 기울기 보정이 적용된 조건부 워샤르스타인 GAN(WGAN-GP)을 사용해 합성 고장 신호를 생성한다.
• 특징 정렬을 위해 도메인 불변 표현을 학습하는 트리플릿 인코더를 활용한다.
• 기본 데이터셋의 실제 건강한 샘플에 합성 신호를 추가함으로써 복원 손실을 통합한다.
• 조기 정지 및 모델 평가를 위해 다중 헤드 분류 헤드를 사용한다.
• 대부분의 손실 함수인 적대적 손실, 복원 손실, 분류 손실을 기반으로 생성기와 판별기를 종합적으로 훈련한다.

실험 결과

연구 질문

• RQ1 소스 도메인과 타겟 도메인 간에 건강한 데이터만 공유되는 조건에서, 제어적인 합성 고장 생성이 도메인 적응 성능을 향상시킬 수 있는가?
• RQ2 제안된 방법이 소스 도메인에 존재하지 않는 새로운 고장 유형에 얼마나 잘 일반화되는가?
• RQ3 각 도메인에 고유한 클래스가 존재하는 개방형 부분적 DA 환경에서 이 프레임워크의 효과는 어떠한가?
• RQ4 고장 심각도 수준의 제어적 생성이 큰 도메인 이동 조건에서도 진단 모델의 강건성을 향상시키는가?
• RQ5 정확도 및 일반화 능력 측면에서 기존의 DA 기준 모델과 비교해 본다면, 이 방법은 어떤가?

주요 결과

• 제안된 방법은 부분적 및 개방형 부분적 도메인 적응 설정에서 두 개의 rolling bearing 고장 진단 데이터셋에 대해 최신 기준 모델들보다 뛰어난 성능을 달성했다.
• 소스 도메인의 고장 데이터와 타겟 도메인의 건강한 데이터만을 사용하여도, 새로운 고장 유형에 대해 현실적인 고장 서명을 성공적으로 생성하였다.
• 고장 심각도 수준의 제어적 생성은 다양한 도메인 이동 조건에서 모델의 일반화 능력을 향상시켰다.
• 소스 도메인에 전혀 존재하지 않는 고장 클래스를 포함한 타겟 도메인에서도 모델의 진단 정확도가 높게 유지되었다.
• 실험 결과, 다양한 레이블 공간 불일치와 큰 도메인 갭 조건에서도 모델 성능이 강건함을 입증하였다.
• 제거 실험을 통해 조건부 생성 및 복원 구성 요소가 최적 성능 달성에 필수적임을 확인하였다.