[논문 리뷰] Spatial Graph Convolutional Neural Network via Structured Subdomain Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis

Mohammadreza Ghorvei, Mohammadreza Kavianpour외 2명|arXiv (Cornell University)|2021. 12. 11.

Machine Fault Diagnosis Techniques인용 수 6

한 줄 요약

이 논문은 다양한 운전 조건 하에서 비지도 베어링 고장 진단을 향상시키기 위해 구조적 서브도메인 적응과 도메인 적대적 학습을 통합한 공간 그래프 컨volution 신경망인 DSAGCN을 제안한다. 그래프 컨볼루션을 통해 데이터 기하학적 구조를 모델링하고, 적대적 학습과 국소 최대 평균 차이(LMMD)를 사용해 전반적인 도메인과 국소 서브도메인을 정렬함으로써, CWRU 데이터셋에서 k=2일 때 100%의 정확도를 달성하고 기준 방법들보다 빠른 수렴 속도를 보였다.

ABSTRACT

Unsupervised domain adaptation (UDA) has shown remarkable results in bearing fault diagnosis under changing working conditions in recent years. However, most UDA methods do not consider the geometric structure of the data. Furthermore, the global domain adaptation technique is commonly applied, which ignores the relation between subdomains. This paper addresses mentioned challenges by presenting the novel deep subdomain adaptation graph convolution neural network (DSAGCN), which has two key characteristics: First, graph convolution neural network (GCNN) is employed to model the structure of data. Second, adversarial domain adaptation and local maximum mean discrepancy (LMMD) methods are applied concurrently to align the subdomain's distribution and reduce structure discrepancy between relevant subdomains and global domains. CWRU and Paderborn bearing datasets are used to validate the DSAGCN method's efficiency and superiority between comparison models. The experimental results demonstrate the significance of aligning structured subdomains along with domain adaptation methods to obtain an accurate data-driven model in unsupervised fault diagnosis.

연구 동기 및 목표

• 기존의 비지도 도메인 적응(UDA) 방법이 데이터 기하학적 구조와 서브도메인 수준의 분포 차이를 忽시하는 한계를 해결하기 위해.
• 진동 신호의 내재적 구조를 모델링하기 위해 그래프 컨volution 신경망(GCNN)을 활용하여 다양한 운전 조건 하에서 고장 진단 정확도를 향상시키기 위해.
• 적대적 학습과 국소 MMD(LMMD)를 사용해 전반적인 도메인 분포와 국소 서브도메인 분포를 동시에 정렬함으로써 도메인 이동을 줄이기 위해.
• 라벨이 없는 타겟 데이터가 필요 없이 다양한 작업 조건에 일반화 잘 되는 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 실제 베어링 데이터셋에서 구조적 서브도메인 적응과 하이브리드 도메인 정렬의 효과를 검증하기 위해.

제안 방법

• 진동 신호의 기하학적 구조를 인코딩하기 위해 k-가장 가까운 이웃을 사용해 센서 데이터를 공간 그래프로 모델링하는 그래프 컨volution 신경망(GCNN)을 구축한다.
• 소스 도메인과 타겟 도메인 간의 도메인 불변 특징을 학습하기 위해 도메인 구분자(discriminator)를 사용한 적대적 도메인 적응을 적용한다.
• 동일한 고장 유형 내의 서브도메인 분포를 정렬하기 위해 국소 최대 평균 차이(LMMD)를 적용하여 국소 분포 이동을 감소시킨다.
• 적대적 손실, LMMD 손실, 분류 교차 엔트로피 손실이 결합된 손실 함수를 구성하고, 역전파를 통해 공동 최적화한다.
• 다항 그래프 필터를 사용해 그래프 컨볼루션 연산을 정의하며, k는 이웃 연결성을 제어하는 하이퍼파rameter로 설정된다.
• 라벨이 있는 소스 데이터와 라벨이 없는 타겟 데이터를 기반으로 엔드 투 엔드로 훈련하여, 비지도 조건 하에서의 전이 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 그래프 컨볼루션을 통해 베어링 진동 신호의 기하학적 구조를 모델링하면 도메인 이동 조건 하에서도 고장 진단 성능이 향상되는가?
• RQ2 적대적 도메인 적응과 구조적 서브도메인 정렬(LMMD를 통한)을 조합하면 전반적인 도메인 정렬만으로는 달성할 수 없는 더 나은 일반화 성능을 얻을 수 있는가?
• RQ3 정확도와 계산 효율성 측면에서 k-가장 가까운 이웃 그래프 구축에 최적의 k 값은 무엇인가?
• RQ4 기존의 UDA 방법인 GC-MMD 및 GC-CORAL과 비교해 본다면, 제안된 DSAGCN 모델은 수렴 속도와 안정성 측면에서 어떻게 다른가?
• RQ5 훈련 목표 함수에서 적대적 손실 및 LMMD 손실 계수의 최적 하이퍼파rameter는 무엇인가?

주요 결과

• k=2일 때, DSAGCN은 전이 작업 B→D와 H→G에서 CWRU 데이터셋에서 100%의 고장 진단 정확도를 달성하여 모든 다른 방법들을 능가했다.
• k=2일 때, 모델는 가장 높은 정확도와 가장 짧은 훈련 시간을 기록했으며, CWRU 데이터셋에서 훈련 시간은 396초였다.
• k가 10을 초과할수록 진단 정확도가 크게 떨어지는데, k=100일 때는 66%로 감소하여 높은 k 값이 복잡성을 증가시키고 성능을 악화시킨다는 것을 시사한다.
• GC-MMD, GC-MKMMD, GC-CORAL보다 더 빠르고 변동이 적은 수렴을 보이며, 훈련 안정성과 효율성 측면에서 뛰어난 성능을 보였다.
• 최적의 하이퍼파rameter는 적대적 손실 계수 β=0.5와 LMMD 손실 계수 μ=1로, 이는 가장 높은 정확도를 얻는 데 기여했다.
• PU 데이터셋에서는 k=2일 때 98.63%의 정확도를 기록하여 다른 방법들보다 뚜렷이 뛰어나며, 다수의 실행에서 높은 안정성을 유지했다.