[논문 리뷰] Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection

Wenbin Song, Di Wu외 2명|arXiv (Cornell University)|2022. 04. 27.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 논문은 롤링 베어링의 초기 고장 감지를 위한 메타러닝 기반의 소수 샘플 이상 탐지 방법을 제안하며, 단위 간 변동성(Unit-to-Unit Variability, UtUV)을 관계 네트워크를 통해 일반적인 거리 측정법을 학습하고, 건강 상태 임베딩을 사용하여 오류 경고를 줄입니다. 두 개의 실세계 데이터셋에서 기존 방법들보다 더 이르게 초기 고장을 탐지하고 오류 경고를 낮추는 데 성공했습니다.

ABSTRACT

Early fault detection (EFD) of rolling bearings can recognize slight deviation of the health states and contribute to the stability of mechanical systems. In practice, very limited target bearing data are available to conduct EFD, which makes it hard to adapt to the EFD task of new bearings. To address this problem, many transfer learning based EFD methods utilize historical data to learn transferable domain knowledge and conduct early fault detection on new target bearings. However, most existing methods only consider the distribution drift across different working conditions but ignore the difference between bearings under the same working condition, which is called Unit-to-Unit Variability (UtUV). The setting of EFD with limited target data considering UtUV can be formulated as a Few-shot Anomaly Detection task. Therefore, this paper proposes a novel EFD method based on meta-learning considering UtUV. The proposed method can learn a generic metric based on Relation Network (RN) to measure the similarity between normal data and the new arrival target bearing data. Besides, the proposed method utilizes a health state embedding strategy to decrease false alarms. The performance of proposed method is tested on two bearing datasets. The results show that the proposed method can detect incipient faults earlier than the baselines with lower false alarms.

연구 동기 및 목표

• 제한된 목표 베어링 데이터만 이용 가능한 상황에서 롤링 베어링의 초기 고장 감지(EFD) 과제를 해결하기 위해.
• 기존 전이 학습 방법들이 간과하는 바와 같이 고장 감지 성능에 영향을 미치는 단위 간 변동성(UtUV)을 인식하고 모델링하기 위해.
• 제한된 데이터와 UtUV 하에서 EFD 과제를 소수 샘플 이상 탐지 문제로 재정의하여 새로운 베어링으로의 일반화 능력을 향상시키기 위해.
• 정상 및 목표 베어링 데이터 간의 유사도를 측정하는 일반적인 유사도 거리 측정법을 학습하여 초기 고장을 더 이르게 탐지할 수 있는 방법을 개발하기 위해.
• 이상 탐지 민감도를 향상시키기 위해 베어링의 현재 건강 상태를 인코딩하는 건강 상태 임베딩 전략을 통해 오류 경고를 줄이기 위해.

제안 방법

• 정상 기준 데이터와 새로운 목표 베어링 데이터 간의 유사도를 측정하는 일반적인 거리 측정법을 학습하기 위해 관계 네트워크(RN)를 활용합니다.
• 다양한 베어링의 정상 데이터 지원 세트를 기반으로 메타러닝을 사용해 RN을 훈련하여, 소수의 샘플로도 새로운 베어링에 빠르게 적응할 수 있도록 합니다.
• 이상 탐지 민감도를 향상시키기 위해 베어링의 현재 건강 상태를 인코딩하는 건강 상태 임베딩 전략을 도입합니다.
• 소수 샘플 적응을 시뮬레이션하기 위해 각 에피소드가 새로운 베어링을 나타내며, 소수의 지원 샘플과 질의 샘플을 포함하는 에피소드 기반 훈련을 수행합니다.
• 메타훈련 중에 유사한(정상) 및 비유사한(이상) 샘플 간의 대비 손실을 최소화하도록 RN을 최적화합니다.
• 학습된 모델을 적용하여 새로운 베어링의 질의 데이터를 학습된 거리 측정법과 임베딩에 기반해 초기 고장을 탐지합니다.

실험 결과

연구 질문

• RQ1 메타러닝 기반의 소수 샘플 이상 탐지 프레임워크는 제한된 목표 데이터로 롤링 베어링의 초기 고장을 효과적으로 탐지할 수 있는가?
• RQ2 기존 방법들이 베어링 특화 변동성을 忽시하는 것과 대비해, 단위 간 변동성(UtUV)을 모델링하면 초기 고장 감지 성능이 어떻게 향상되는가?
• RQ3 건강 상태 임베딩 전략은 초기 고장 감지에서 오류 경고를 어느 정도 줄이는가?
• RQ4 기존의 전이 학습 및 이상 탐지 기준 방법들과 비교했을 때, 제안된 방법은 탐지 시기와 정확도 측면에서 어떻게 성능을 내는가?

주요 결과

• 제안된 방법은 두 개의 실세계 베어링 데이터셋에서 기존 방법들보다 초기 고장을 더 이르게 탐지합니다.
• 건강 상태 임베딩 통합 덕분에 오류 경고율이 낮아져 이상 탐지 민감도가 향상됩니다.
• 메타러닝의 활용 덕분에 소수의 목표 샘플로도 새로운 베어링에 빠르게 적응할 수 있어 소수 샘플 EFD에 적합합니다.
• 관계 네트워크 기반의 거리 측정법 학습은 UtUV 하에서도 정상 및 이상 베어링 상태 간의 유사도를 효과적으로 포착합니다.
• 다양한 작동 조건과 베어링 단위 간에서도 강력한 일반화 능력을 보이며 안정적인 성능을 나타냅니다.
• 실험 결과는 UtUV를 고려함으로써 기존 방법들이 이를 忽시하는 것과 비교해 감지 신뢰도가 향상되고 초기 고장 식별이 더 이르게 이루어지는 것으로 확인되었습니다.