[论文解读] Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis

Masoumeh Zareapoor, Pourya Shamsolmoali+1 more|arXiv (Cornell University)|Aug 7, 2020

Industrial Vision Systems and Defect Detection参考文献 43被引用 7

一句话总结

该论文提出MoGAN，一种生成对抗网络，通过从正常与故障数据分布的混合中生成合成故障样本，同时在类别不平衡的工业数据集中执行故障诊断与分类。判别器兼具分类器与故障检测器功能，在多类别及高度不平衡场景下表现优于基线方法，某些数据集上的平衡准确率最高达92%。

ABSTRACT

The collected data from industrial machines are often imbalanced, which poses a negative effect on learning algorithms. However, this problem becomes more challenging for a mixed type of data or while there is overlapping between classes. Class-imbalance problem requires a robust learning system which can timely predict and classify the data. We propose a new adversarial network for simultaneous classification and fault detection. In particular, we restore the balance in the imbalanced dataset by generating faulty samples from the proposed mixture of data distribution. We designed the discriminator of our model to handle the generated faulty samples to prevent outlier and overfitting. We empirically demonstrate that; (i) the discriminator trained with a generator to generates samples from a mixture of normal and faulty data distribution which can be considered as a fault detector; (ii), the quality of the generated faulty samples outperforms the other synthetic resampling techniques. Experimental results show that the proposed model performs well when comparing to other fault diagnosis methods across several evaluation metrics; in particular, coalescing of generative adversarial network (GAN) and feature matching function is effective at recognizing faulty samples.

研究动机与目标

• 解决工业故障诊断中正常样本远多于故障样本的类别不平衡问题。
• 开发一种统一的深度学习框架，实现分类与故障检测的同步进行。
• 通过生成高质量的合成少数类（故障）样本，提升故障诊断模型的泛化能力与鲁棒性。
• 在生成过程中引入混合数据分布，缓解类别不平衡数据中常见的过拟合与分布偏移问题。
• 证明所提出GAN中的判别器无需额外训练即可有效充当故障检测器。

提出的方法

• 提出一种新型生成对抗网络（MoGAN）架构，联合训练生成器与判别器以实现故障诊断。
• 通过建模正常与故障数据分布的混合，训练生成器生成合成故障样本，提升数据多样性。
• 在生成器训练中采用特征匹配损失函数，以提升低密度数据区域的样本质量与泛化能力。
• 设计判别器以将输入分类为多个类别（正常 vs. 多种故障类型），并同时检测异常。
• 训练判别器以区分真实样本与生成样本（虚假样本），从而学习识别异常与故障模式。
• 将判别器的输出集成为故障检测机制，实现端到端的分类与异常检测。

Figure 1: The MoGAN architecture. The discriminator of MoGAN is designed for simultaneous classification and fault detection. $e_{r}$ and $e_{f}$ indicates as real and fake (generated) samples respectively. Our discriminator creates several clusters in its embedding space to distinguish not only fak

实验结果

研究问题

• RQ1 能否有效将生成对抗网络适配于在类别不平衡的工业故障诊断数据集中生成逼真的合成故障样本？
• RQ2 与标准GAN相比，训练判别器同时分类真实样本与生成样本是否能提升故障检测性能？
• RQ3 在多类别与高度不平衡的故障诊断场景下，MoGAN相较于SOTA方法（如A2CNN、WDCNN+AdaBN、RJAAN）的表现如何？
• RQ4 在生成过程中使用数据分布的混合，能在多大程度上提升合成样本的质量与多样性？
• RQ5 所提出模型中的判别器是否无需额外微调或架构修改即可作为可靠的故障检测器？

主要发现

• MoGAN在多个评估指标上优于标准GAN、SDAE、ADASYN与RJAAN，某些数据集上的平衡准确率最高达92%。
• 在中等至低类别不平衡数据集（如1:20与1:3比例）中表现更优，相较于A2CNN与RJAAN有持续改进。
• 在严重类别不平衡场景（如1:1000比例）下，MoGAN仍优于基线方法，尽管性能略有下降，表明其在极端条件下的鲁棒性。
• 生成器中使用特征匹配损失可生成更高质量的合成样本，从而提升判别器的检测能力。
• 基于MoGAN生成样本训练的SVM准确率达66–51%，显著优于在原始不平衡数据上训练的SVM（48–27%），证明了生成样本的信息有效性。
• 通过混淆矩阵验证了判别器的故障检测能力，显示所有故障类别均具有高精确率与高召回率，尤其在低与中等不平衡情况下表现突出。

Figure 2: The discriminator of our proposed MoGAN against CatAAE [ 24 ] . Other methods like CatAEE in addition to discriminator; they have a classifier in their architecture to classify the faulty samples from the normal one.