[论文解读] Graph Neural Network-based Early Bearing Fault Detection

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

Machine Fault Diagnosis Techniques被引用 4

一句话总结

本文提出一种基于图神经网络（GNN）的方法，通过将振动信号转换为图结构数据，以增强特征的可区分性，实现滚动轴承的早期故障检测。通过GNN建模信号间的关系，并识别重建效果差的节点，该方法成功检测到被正常数据掩盖的早期故障，在公开的滚动轴承数据集上优于传统方法。

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.

研究动机与目标

• 解决在系统故障发生前检测滚动轴承早期故障的挑战。
• 通过利用图神经网络，弥合人工智能驱动方法与实际机械系统之间的差距。
• 通过建模振动信号之间的相关性（通常被视为独立信号）来提升故障检测能力。
• 识别由于与正常运行状态相似而难以检测的早期故障。

提出的方法

• 将欧几里得结构的振动信号转换为非欧几里得图表示，以建模信号间的依赖关系。
• 构建图结构，其中每个节点代表一个振动信号，边编码信号之间的时序或统计相似性。
• 训练GNN模型，通过多层聚合每个节点及其邻居的特征，以学习增强的、具有区分性的表示。
• 在输出层使用重建损失，识别重建误差较高的节点（即振动信号），以指示潜在故障。
• 将重建误差最高的前n个节点选为候选故障对象。
• 利用公开的滚动轴承数据集验证该方法在检测早期故障方面的有效性。

实验结果

研究问题

• RQ1 图神经网络能否有效建模振动信号之间的相互依赖关系，以提升早期故障检测性能？
• RQ2 所提出的方法在视觉和统计上与正常运行状态相似的早期滚动轴承故障检测中表现如何？
• RQ3 与标准信号处理方法相比，基于图的表示在多大程度上提升了特征的可区分性？
• RQ4 即使故障模式嵌入在正常数据簇中，GNN中的重建误差是否能可靠识别出早期故障模式？

主要发现

• 所提出的方法成功检测出在原始特征空间中与正常信号无法区分的故障滚动轴承信号。
• 故障被识别为重建误差最高的前n个节点，表明其异常特性。
• 图结构表示使模型能够通过捕捉信号间的关系学习到更具区分性的特征。
• 该方法在公开的滚动轴承数据集上表现出更优的检测性能，尤其在早期故障检测方面。
• 即使故障对象位于正常数据区域内部，该方法也能有效将其隔离，凸显其对微小异常的高度敏感性。