[논문 리뷰] Graph neural network-based fault diagnosis: a review

Zhiwen Chen, Jiamin Xu외 5명|arXiv (Cornell University)|2021. 11. 16.

Advanced Graph Neural Networks참고 문헌 63인용 수 36

한 줄 요약

그래프 신경망을 결함 진단에 적용하는 포괄적 검토로, 데이터 표현, GNN 아키텍처, 그래프 구성 및 벤치마크 인사이트를 다룬다.

ABSTRACT

Graph neural network (GNN)-based fault diagnosis (FD) has received increasing attention in recent years, due to the fact that data coming from several application domains can be advantageously represented as graphs. Indeed, this particular representation form has led to superior performance compared to traditional FD approaches. In this review, an easy introduction to GNN, potential applications to the field of fault diagnosis, and future perspectives are given. First, the paper reviews neural network-based FD methods by focusing on their data representations, namely, time-series, images, and graphs. Second, basic principles and principal architectures of GNN are introduced, with attention to graph convolutional networks, graph attention networks, graph sample and aggregate, graph auto-encoder, and spatial-temporal graph convolutional networks. Third, the most relevant fault diagnosis methods based on GNN are validated through the detailed experiments, and conclusions are made that the GNN-based methods can achieve good fault diagnosis performance. Finally, discussions and future challenges are provided.

연구 동기 및 목표

• 전통적인 NN 기반 결함 진단에서 그래프 구조화 데이터 표현으로의 전환을 촉진한다.
• 결함 진단을 위한 데이터 표현(시계열, 이미지, 그래프)을 요약하고 GNN이 관계 의존성을 활용하는 방식을 설명한다.
• 결함 진단과 관련된 GNN 아키텍처(GCN, GAT, GraphSage, GAEs, STGCN)와 그 적합성을 검토한다.
• 연관 그래프의 구성 및 진단 성능에 미치는 영향을 논의한다.
• 벤치마크 비교를 제공하고 향후 과제와 개방형 연구 방향을 논의한다.

제안 방법

• 그래프에서의 결함 진단 작업을 노드 수준, 엣지(간선) 수준, 그래프 수준 문제 설정으로 분류한다.
• 결함 진단 맥락에서 GCN, GAT, GraphSage, Graph Auto-Encoder (GAE), STGCN의 동작 방식과 방정식을 설명한다.
• 엣지 수준 GNN(GAE)이 진단을 위해 노드 수준 GNN보다 먼저 그래프를 정제하는 2단계 접근 방식을 설명한다.
• 데이터로부터 KNN, 사전 지식 접근 방법, 엣지 재구성을 위한 매트릭스 보완으로 구성된 연관 그래프 구축 프레임워크를 제시한다.
• Tables II–IV에 제시된 노드 수준, 엣지 수준, 그래프 수준 결함 진단 파이프라인 알고리즘을 개요한다.
• 그래프 처리 후 클래스 분리성을 향상시키는 GNN 능력의 시각화에 대해 논의한다.

실험 결과

연구 질문

• RQ1 데이터를 그래프로 표현하여 결함 진단 성능을 향상시킬 수 있는 방법은?
• RQ2 노드-, 엣지-, 그래프 수준 결함 진단 작업에 가장 효과적인 GNN 아키텍처는 무엇인가?
• RQ3 진단 정확도를 극대화하기 위해 연관 그래프를 어떻게 구성하거나 다듬어야 하는가?
• RQ4 그래프 구성 방법(KNN, 사전 지식, 매트릭스 보충)이 GNN 기반 FD 성능에 미치는 영향은 어떤가?
• RQ5 벤치마크 데이터셋에서 GNN 기반 FD 방법이 기준선과 어떻게 비교되는가?

주요 결과

• GNN 기반 결함 진단은 관계 의존성을 활용하여 비관계형 방법보다 향상된 분류 성능을 달성할 수 있다.
• GCN, GAT, GraphSage가 노드 수준의 FD 능력을 제공하며, GAT는 귀납적 이점과 주의 집중 기반 이웃 가중치를 제공한다.
• 엣지 수준 GNN(GAE)은 연관 그래프를 재구성하거나 정제하여 이후의 노드 수준 FD 모델을 개선할 수 있다.
• STGCN은 다중 센서 시계열 데이터에 대해 공간 그래프 컨볼루션과 시간적 CNN을 결합하여 그래프 수준 FD를 가능하게 한다.
• 벤치마크 논의는 FD 성능에 대한 그래프 구성 품질과 모델 선택의 중요성을 시사한다(다수의 데이터셋에서의 정성적 증거 제시).
• 본 검토는 그래프 구성, 데이터 가용성 및 사전 지식의 통합에서의 향후 과제를 강조한다.