[논문 리뷰] Graph Neural Network-based Early Bearing Fault Detection

Xusheng Du, Jiong Yu|arXiv (Cornell University)|2022. 04. 24.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 논문은 진동 신호를 그래프 구조 데이터로 변환하여 특징의 구분 능력을 향상시키고, 그래프 신경망(GNN) 기반 방법을 통해 초기 볼링 베어링 고장을 탐지하는 것을 제안한다. GNN을 통해 신호 간 상관관계를 모델링하고 재구성 오차가 큰 노드를 식별함으로써, 정상 데이터 내에 묻혀 있는 초기 고장을 성공적으로 탐지할 수 있었으며, 공개된 볼링 베어링 데이터셋에서 기존 방법들을 능가하는 성능을 보였다.

ABSTRACT

Early detection of faults is of importance to avoid catastrophic accidents and ensure safe operation of machinery. A novel graph neural network-based fault detection method is proposed to build a bridge between AI and real-world running mechanical systems. First, the vibration signals, which are Euclidean structured data, are converted into graph (non-Euclidean structured data), so that the vibration signals, which are originally independent of each other, are correlated with each other. Second, inputs the dataset together with its corresponding graph into the GNN for training, which contains graphs in each hidden layer of the network, enabling the graph neural network to learn the feature values of itself and its neighbors, and the obtained early features have stronger discriminability. Finally, determines the top-n objects that are difficult to reconstruct in the output layer of the GNN as fault objects. A public datasets of bearings have been used to verify the effectiveness of the proposed method. We find that the proposed method can successfully detect faulty objects that are mixed in the normal object region.

연구 동기 및 목표

• 시스템 장애로 이어지기 전에 초기 볼링 베어링 고장을 탐지하는 데 도전하는 것.
• 그래프 신경망을 활용하여 AI 기반 방법과 실제 기계 시스템 간 격차를 메우는 것.
• 일반적으로 독립적으로 간주되는 진동 신호 간 상관관계를 모델링하여 고장 탐지 성능을 향상시키는 것.
• 정상 작동 조건과 유사하여 탐지가 어려운 초기 단계의 고장을 식별하는 것.

제안 방법

• 유구형 구조의 진동 신호를 비유구형 그래프 표현으로 변환하여 신호 간 종속성을 모델링하는 것.
• 각 노드가 진동 신호를 나타내고, 간선이 신호 간 시간적 또는 통계적 유사도를 표현하도록 그래프를 구축하는 것.
• 각 노드와 그 이웃의 특징을 다중 레이어에 걸쳐 집계하여 향상된 구분 능력을 가진 표현을 학습하는 GNN 모델을 훈련하는 것.
• 출력층에서 재구성 오차를 사용하여 재구성 오차가 높은 노드(진동 신호)를 식별하는 것.
• 재구성 오차가 가장 높은 상위 n개 노드를 고장 후보 객체로 선별하는 것.
• 공개된 볼링 베어링 데이터셋을 활용하여 초기 고장 탐지 성능을 검증하는 것.

실험 결과

연구 질문

• RQ1 그래프 신경망이 진동 신호 간 상호의존성을 효과적으로 모델링하여 초기 고장 탐지 성능을 향상시킬 수 있는가?
• RQ2 제안된 방법은 정상 작동과 시각적·통계적으로 유사한 초기 볼링 베어링 고장을 얼마나 잘 탐지할 수 있는가?
• RQ3 기존 신호 처리 방법에 비해 그래프 기반 표현이 특징의 구분 능력을 얼마나 향상시키는가?
• RQ4 정상 데이터 군집 내에 잠겨 있는 고장 패턴이라도 GNN의 재구성 오차가 신뢰성 있게 초기 고장을 식별할 수 있는가?

주요 결과

• 제안된 방법은 원래 특징 공간에서 정상 신호와 구분이 불가능한 고장 베어링 신호도 성공적으로 탐지한다.
• 고장은 재구성 오차가 가장 높은 상위 n개 노드로 식별되며, 이는 이들의 이방성 특성을 반영한다.
• 그래프 구조화된 표현은 신호 간 상관관계를 포착함으로써 더 구분 능력 있는 특징을 학습하는 데 기여한다.
• 공개된 볼링 베어링 데이터셋에서 초기 단계 고장을 탐지하는 데 있어 성능 향상이 확인되었으며, 특히 초기 고장에 대해 뛰어난 성능을 보였다.
• 고장 객체가 정상 데이터 영역 내에 위치해 있더라도 효과적으로 고립할 수 있었으며, 이는 미세한 이상에 대한 민감도를 보여준다.