[论文解读] Generative Adversarial Networks for Failure Prediction

Shuai Zheng, Ahmed Farahat+1 more|arXiv (Cornell University)|Oct 4, 2019

Machine Fault Diagnosis Techniques参考文献 33被引用 12

一句话总结

本文提出 GAN-FP，一种用于处理类别极度不平衡工业数据集的新型生成对抗网络框架，用于故障预测。该方法结合了基于 infoGAN 的合成数据生成、真实数据上的加权损失优化，以及一致性约束 GAN，以提升推理网络的训练效果，在 PHM 基准数据集上实现了最先进性能，F1 和 AUC 分数显著提升。

ABSTRACT

Prognostics and Health Management (PHM) is an emerging engineering discipline which is concerned with the analysis and prediction of equipment health and performance. One of the key challenges in PHM is to accurately predict impending failures in the equipment. In recent years, solutions for failure prediction have evolved from building complex physical models to the use of machine learning algorithms that leverage the data generated by the equipment. However, failure prediction problems pose a set of unique challenges that make direct application of traditional classification and prediction algorithms impractical. These challenges include the highly imbalanced training data, the extremely high cost of collecting more failure samples, and the complexity of the failure patterns. Traditional oversampling techniques will not be able to capture such complexity and accordingly result in overfitting the training data. This paper addresses these challenges by proposing a novel algorithm for failure prediction using Generative Adversarial Networks (GAN-FP). GAN-FP first utilizes two GAN networks to simultaneously generate training samples and build an inference network that can be used to predict failures for new samples. GAN-FP first adopts an infoGAN to generate realistic failure and non-failure samples, and initialize the weights of the first few layers of the inference network. The inference network is then tuned by optimizing a weighted loss objective using only real failure and non-failure samples. The inference network is further tuned using a second GAN whose purpose is to guarantee the consistency between the generated samples and corresponding labels. GAN-FP can be used for other imbalanced classification problems as well.

研究动机与目标

• 为解决 Prognostics and Health Management (PHM) 领域中故障数据高度不平衡的问题，其中故障样本稀少且复杂。
• 克服传统过采样技术（如 SMOTE 和 ADASYN）的局限性，这些方法无法捕捉复杂故障模式，且存在过拟合风险。
• 开发一个统一框架，利用生成建模提升故障预测准确率，同时在合成数据中保持标签一致性。
• 在具有不同故障模式和运行条件的多样化工业数据集上，验证 GAN-FP 的有效性。

提出的方法

• GAN-FP 采用三模块框架：首先，infoGAN 生成逼真的合成故障与非故障样本，用于预训练推理网络。
• 其次，利用真实训练数据上的加权损失目标对推理网络进行微调，共享来自 infoGAN 判别器的第一层权重。
• 第三，通过第二个 GAN 强制生成样本与其预测标签之间的一致性，提升泛化能力并减少标签不一致性。
• 该方法将数据增强与判别式学习相结合，确保合成样本既逼真又在语义上与其标签对齐。
• 推理网络通过真实数据端到端训练，采用对类别不平衡敏感的损失函数，而 GAN 组件则采用联合优化方案进行训练。
• 该框架可扩展至其他非平衡分类问题，而不仅限于故障预测。

实验结果

研究问题

• RQ1 基于 GAN 的数据生成是否能提升在高度不平衡工业数据集中的故障预测性能？
• RQ2 在生成样本与其预测结果之间强制实施标签一致性，是否能增强模型的泛化能力？
• RQ3 与传统过采样方法（SMOTE、ADASYN）和损失加权策略相比，GAN-FP 在 F1 和 AUC 指标上的表现如何？
• RQ4 infoGAN 生成的合成数据是否能有效初始化用于故障预测的深度推理网络？
• RQ5 联合训练一个具有一致性约束的 GAN 是否能提升最终推理模型的鲁棒性？

主要发现

• 在 CMAPSS FD001 数据集上，GAN-FP 的 F1 得分为 0.8635，显著优于次佳方法（InfoGAN AUG）的 0.7768。
• 在 CMAPSS FD004 数据集上，GAN-FP 的故障预测 F1 得分为 0.8117，超过最佳基线方法（加权损失 SVM）的 0.7025。
• GAN-FP 在 CMAPSS FD001 上的 AUC 达到 0.9040，较次佳方法（InfoGAN AUG）高出 0.0173。
• 该方法在 CMAPSS 和 APS 基准数据集的所有指标（精确率、召回率、F1、AUC）上均表现出一致的改进。
• 消融研究证实，第三模块——通过第二个 GAN 实现一致性约束——至关重要，GAN-FP 的表现优于仅使用 InfoGAN 增强训练的方法。
• GAN-FP 在 CMAPSS FD004 上取得了最高的微平均 F1（0.8890）和宏平均 F1（0.8890），表明其在所有故障类别上均表现优异。