[论文解读] Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection

Wenbin Song, Di Wu+2 more|arXiv (Cornell University)|Apr 27, 2022

Machine Fault Diagnosis Techniques被引用 4

一句话总结

本文提出了一种基于元学习的少样本异常检测方法，用于滚动轴承的早期故障检测，通过关系网络学习通用度量并利用健康状态嵌入减少误报，从而在两个真实世界数据集上实现比基线方法更早的初始故障检测。

ABSTRACT

Early fault detection (EFD) of rolling bearings can recognize slight deviation of the health states and contribute to the stability of mechanical systems. In practice, very limited target bearing data are available to conduct EFD, which makes it hard to adapt to the EFD task of new bearings. To address this problem, many transfer learning based EFD methods utilize historical data to learn transferable domain knowledge and conduct early fault detection on new target bearings. However, most existing methods only consider the distribution drift across different working conditions but ignore the difference between bearings under the same working condition, which is called Unit-to-Unit Variability (UtUV). The setting of EFD with limited target data considering UtUV can be formulated as a Few-shot Anomaly Detection task. Therefore, this paper proposes a novel EFD method based on meta-learning considering UtUV. The proposed method can learn a generic metric based on Relation Network (RN) to measure the similarity between normal data and the new arrival target bearing data. Besides, the proposed method utilizes a health state embedding strategy to decrease false alarms. The performance of proposed method is tested on two bearing datasets. The results show that the proposed method can detect incipient faults earlier than the baselines with lower false alarms.

研究动机与目标

• 解决在仅有有限目标轴承数据的情况下，滚动轴承早期故障检测（EFD）的挑战。
• 识别并建模单元间差异性（UtUV），该因素虽显著影响故障检测性能，但现有迁移学习方法常被忽略。
• 将有限数据和UtUV条件下的EFD任务建模为少样本异常检测问题，以提升对新轴承的泛化能力。
• 开发一种方法，学习跨正常数据和目标轴承数据的通用相似性度量，以更早检测初始故障。
• 通过健康状态嵌入策略减少误报，提升异常检测的区分能力。

提出的方法

• 采用关系网络（RN）学习一种通用度量，用于衡量正常参考数据与新目标轴承数据之间的相似性。
• 使用元学习在来自多个轴承的正常数据支持集上训练RN，以实现仅用少量样本即可快速适应新轴承。
• 引入一种健康状态嵌入策略，编码轴承当前的健康状态，以提升异常检测的灵敏度。
• 通过元训练中的任务模拟方式训练模型，每个任务模拟一个新轴承，包含少量支持样本和查询样本，以实现少样本适应。
• 在元训练过程中，优化RN以最小化相似样本（正常）与不相似样本（异常）之间的对比损失。
• 将训练好的模型应用于初始故障检测，通过将新轴承的查询数据与学习到的度量和嵌入进行比较。

实验结果

研究问题

• RQ1 基于元学习的少样本异常检测框架能否在仅有限目标数据的情况下有效检测滚动轴承的初始故障？
• RQ2 与忽略轴承特异性差异的方法相比，建模单元间差异性（UtUV）在多大程度上提升了早期故障检测性能？
• RQ3 健康状态嵌入策略在多大程度上减少了早期故障检测中的误报？
• RQ4 与现有的迁移学习和异常检测基线方法相比，所提方法在检测及时性和准确性方面表现如何？

主要发现

• 在两个真实世界滚动轴承数据集上，所提方法比基线方法更早检测到初始故障。
• 由于集成了健康状态嵌入，该方法实现了更低的误报率，显著提升了异常区分能力。
• 元学习的使用使得模型仅用少量目标样本即可快速适应新轴承，适用于少样本EFD场景。
• 基于关系网络的度量学习能有效捕捉在UtUV条件下正常与异常轴承状态之间的相似性。
• 该方法在不同工况和轴承单元上均表现出稳健性能，表明其具有强大的泛化能力。
• 实证结果证实，考虑UtUV可显著提升检测可靠性并实现更早的故障识别，优于忽略该变异性因素的方法。