[论文解读] Bearing fault diagnosis under varying working condition based on domain adaptation

Bo Zhang, Wei Li+2 more|arXiv (Cornell University)|Jul 31, 2017

Machine Fault Diagnosis Techniques参考文献 25被引用 21

一句话总结

该论文提出了一种基于子空间对齐（SA）的无监督域自适应方法，用于在工作条件变化导致训练与测试数据分布不同的情况下进行轴承故障诊断。通过使用主成分分析（PCA）和线性映射对有标签的源域数据与无标签的目标域数据的特征子空间进行对齐，该方法使单一分类器能够在不同域之间实现泛化，在基准数据集和新采集的实验数据集上对故障类型和严重程度的分类准确率接近100%。

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. When the distribution changes, most fault diagnosis models need to be rebuilt from scratch using newly recollected labeled training data. However, it is expensive or impossible to annotate huge amount of training data to rebuild such new model. Meanwhile, large amounts of labeled training data have not been fully utilized yet, which is apparently a waste of resources. As one of the important research directions of transfer learning, domain adaptation (DA) typically aims at minimizing the differences between distributions of different domains in order to minimize the cross-domain prediction error by taking full advantage of information coming from both source and target domains. In this paper, we present one of the first studies on unsupervised DA in the field of fault diagnosis of rolling bearings under varying working conditions and a novel diagnosis strategy based on unsupervised DA using subspace alignment (SA) is proposed. After processed by unsupervised DA with SA, the distributions of training data and testing data become close and the classifier trained on training data can be used to classify the testing data. Experimental results on the 60 domain adaptation diagnosis problems under varying working condition in Case Western Reserve benchmark data and 12 domain adaptation diagnosis problems under varying working conditions in our new data are given to demonstrate the effectiveness of the proposed method. The proposed methods can effectively distinguish not only bearing faults categories but also fault severities.

研究动机与目标

• 解决由于工作条件变化导致训练与测试数据分布不一致时的轴承故障诊断挑战。
• 利用已有标注的训练数据，避免为每种新工况重新标注昂贵的新数据。
• 提升故障诊断模型在不同负载和转速下的域泛化能力。
• 开发一种基于迁移学习的解决方案，通过无监督自适应最小化源域与目标域之间的分布差异。
• 在公开基准数据集和新采集的、涵盖多种工况的实验数据集上验证该方法。

提出的方法

• 使用快速傅里叶变换（FFT）将振动信号转换为谱图以表示特征。
• 对源域和目标域分别应用主成分分析（PCA），以提取低维特征子空间。
• 无监督子空间对齐（SA）学习一个线性变换，将源域子空间与目标域子空间对齐，从而最小化域间差异。
• 在对齐后的源域数据上训练一个通用线性分类器（SVM或神经网络），并直接应用于目标域。
• 对齐过程不依赖任何目标域标签，因此为无监督方法。
• 该方法在来自凯斯西储大学数据集的60个域自适应任务以及新采集的、涵盖不同负载与转速的12个任务上进行了评估。

实验结果

研究问题

• RQ1 在工作条件变化的情况下，基于子空间对齐的无监督域自适应能否有效减少有标签训练数据与无标签测试数据之间的分布差异？
• RQ2 所提方法是否能在不重新训练或重新标注数据的前提下，实现不同负载与转速下的高故障分类准确率？
• RQ3 与假设源域与目标域数据分布相同的传统故障诊断方法相比，该方法表现如何？
• RQ4 该方法在训练过程中未见过的新故障严重程度和工作条件下的泛化能力如何？
• RQ5 在跨域设置下，特征子空间的对齐是否能提升故障类别与严重程度的可分性？

主要发现

• 在凯斯西储大学基准数据集的60个域自适应问题中，所提方法实现了100%的分类准确率，涵盖不同负载与转速。
• 在新采集的实验数据集（涵盖不同转速）上，方法实现了接近100%的准确率，表明其在转速变化下具有强大的泛化能力。
• 子空间对齐后，同一故障类别在不同域中的分布显著趋近，可视化结果清晰显示了这一点。
• 该方法成功区分了多种工作条件下（0.007英寸至0.028英寸）的故障类别与故障严重程度。
• 与仅依赖不变特征提取的先前方法相比，该方法通过利用无标签目标数据主动对齐域，表现更优。
• 结果证实，通过子空间对齐实现的无监督域自适应在因运行条件变化导致数据分布偏移的真实轴承故障诊断中是有效的。