[论文解读] A Novel GAN-based Fault Diagnosis Approach for Imbalanced Industrial Time Series

Wenqian Jiang, Cheng Cheng+3 more|arXiv (Cornell University)|Apr 1, 2019

Anomaly Detection Techniques and Applications参考文献 16被引用 13

一句话总结

本文提出了一种基于 GAN 的不平衡工业时间序列故障诊断方法，采用自定义特征提取器和仅在正常样本上训练的三子网络编码器-解码器-编码器架构。该模型通过为故障样本生成较高的重建误差得分，实现高异常检测性能，在基准数据集和真实轴承数据集上均优于 BiGAN。

ABSTRACT

This paper proposes a novel fault diagnosis approach based on generative adversarial networks (GAN) for imbalanced industrial time series where normal samples are much larger than failure cases. We combine a well-designed feature extractor with GAN to help train the whole network. Aimed at obtaining data distribution and hidden pattern in both original distinguishing features and latent space, the encoder-decoder-encoder three-sub-network is employed in GAN, based on Deep Convolution Generative Adversarial Networks (DCGAN) but without Tanh activation layer and only trained on normal samples. In order to verify the validity and feasibility of our approach, we test it on rolling bearing data from Case Western Reserve University and further verify it on data collected from our laboratory. The results show that our proposed approach can achieve excellent performance in detecting faulty by outputting much larger evaluation scores.

研究动机与目标

• 解决正常样本远多于故障样本的不平衡工业时间序列数据挑战。
• 开发一种深度学习框架，可在无需大规模标注故障数据集的情况下有效检测罕见故障模式。
• 通过仅在正常数据上进行生成建模，提升故障诊断性能，避免对多数类别的偏差。
• 在公开基准数据集（CWRU）和实验室环境中采集的真实工业数据上验证该方法。
• 证明所提出的架构在单变量时间序列异常检测中优于现有 GAN 方法（如 BiGAN）的优越性。

提出的方法

• 设计领域特定的特征提取器，从原始时间序列中提取 16 个统计特征（如均方根、峰度、偏度），降低维度和计算成本。
• 实现基于 DCGAN 的三子网络 GAN 架构：编码器-解码器-编码器，但不使用 Tanh 激活函数，且仅在正常样本上进行训练。
• 利用生成器学习正常时间序列的潜在分布并重建输入样本，同时判别器用于区分真实样本与生成样本。
• 使用 Adam 优化器进行端到端训练，初始学习率为 0.001，betas 参数为 (0.5, 0.999)，训练 20 个周期。
• 通过测量重建误差检测异常：误差得分越高，表示与正常模式的偏离程度越大。
• 优化超参数，如子样本长度（12,000）和潜在向量大小（64），以最大化检测准确率。

实验结果

研究问题

• RQ1 仅在正常样本上训练的 GAN 模型能否有效检测不平衡工业时间序列中的故障？
• RQ2 与原始输入或通用特征提取相比，所提出的特征提取器在诊断性能方面有何提升？
• RQ3 在鲁棒故障检测方面，超参数（如子样本长度、潜在维度）的最优配置是什么？
• RQ4 所提出的架构在检测不同类型故障时，与最先进的 GAN（如 BiGAN）相比表现如何？
• RQ5 该模型在从基准数据集（CWRU）到真实工业数据的泛化能力如何？

主要发现

• 所提出的方法在 CWRU 滚珠轴承数据集上实现了优异的故障检测性能，异常评分能清晰区分正常与故障样本。
• 在真实实验室数据上，该模型保持了高准确率，证明其在实际工业场景中的可行性。
• 在不同子样本尺寸下，该模型在准确率和稳定性方面均优于 BiGAN，表明其架构优势。
• 最优子样本长度为 12,000（在 50Hz 下对应 4 分钟），可有效捕捉实验数据集中的潜在故障模式。
• 潜在向量大小为 64 时在实验数据集上取得最高准确率，但在 CWRU 数据集上无显著影响。
• 可视化结果证实，故障样本的重建误差和潜在空间偏离程度显著高于正常样本，验证了模型检测机制的有效性。