[论文解读] Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition

Bo Zhang, Wei Li+3 more|arXiv (Cornell University)|May 1, 2018

Machine Fault Diagnosis Techniques参考文献 35被引用 54

一句话总结

引入 A2CNN，一种具有对抗域自适应的 1-D CNN，用于在变化的工作条件下诊断轴承故障，达到高跨域准确率。

ABSTRACT

Traditional intelligent fault diagnosis of rolling bearings work well only under a common assumption that the labeled training data (source domain) and unlabeled testing data (target domain) are drawn from the same distribution. However, in many real-world applications, this assumption does not hold, especially when the working condition varies. In this paper, a new adversarial adaptive 1-D CNN called A2CNN is proposed to address this problem. A2CNN consists of four parts, namely, a source feature extractor, a target feature extractor, a label classifier and a domain discriminator. The layers between the source and target feature extractor are partially untied during the training stage to take both training efficiency and domain adaptation into consideration. Experiments show that A2CNN has strong fault-discriminative and domain-invariant capacity, and therefore can achieve high accuracy under different working conditions. We also visualize the learned features and the networks to explore the reasons behind the high performance of our proposed model.

研究动机与目标

• 解决在工作条件变化时轴承故障诊断中的域迁移问题。
• 开发一个对抗训练的 1-D CNN，以学习故障判别强、域不变的特征。
• 使用未标注的目标域数据实现对目标域的有效故障分类。
• 通过对源域和目标特征提取器的部分解耦层以提高训练效率。

提出的方法

• A2CNN 由源特征提取器 M_S、目标特征提取器 M_T、标签分类器 C 和域判别器 D 组成。
• 源提取器是一个一维卷积神经网络，使用带标签的源数据进行训练，以最大化对 D_S 的分类损失（L_cls）。
• 目标提取器从 M_S 初始化，并具有部分解耦的层（自适应层）以学习域不变的表征，由域判别损失（L_adv）引导。
• 域判别器 D 是一个多层感知机，训练以区分源域与目标域样本，同时 M_T 训练以欺骗 D（对抗目标）。
• 训练包括在带标签的源数据上对 M_S 进行预训练，然后进行对抗微调以对齐源特征和目标特征。
• 目标域的预测使用 M_T 的最后一个全连接层的输出，选择具有最高 softmax 概率的类别。

实验结果

研究问题

• RQ1 在工作条件变化时，对抗域自适应能否实现可靠的轴承故障诊断？
• RQ2 源域和目标提取器之间部分解耦的层是否在适应性能与训练效率之间达到平衡？
• RQ3 与基线方法相比，使用 A2CNN 时在跨域迁移中的故障精确率和召回率如何表现？

主要发现

• A2CNN 的跨域准确率高于包括带 AdaBN 的 WDCNN 在内的基线（平均 99.21% 对 95.95%）。
• 对抗自适应（A2CNN）在所有域对之间始终显著优于 A2CNN_S（仅源提取器）性能。
• A2CNN 显示出强域不变性，尤其是在源域和目标域分布差异较大时（例如 A↔C、C↔A）。
• 与传统的 SVM/MLP 和非对抗性 DNN 基线相比，A2CNN 在变化负载下显著缓解性能下降。
• 精确率和召回率分析表明，相对于 A2CNN_S，A2CNN 在大多数故障类型上减少了误警和漏检。