[论文解读] Spatial Graph Convolutional Neural Network via Structured Subdomain Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis

Mohammadreza Ghorvei, Mohammadreza Kavianpour+2 more|arXiv (Cornell University)|Dec 11, 2021

Machine Fault Diagnosis Techniques被引用 6

一句话总结

该论文提出DSAGCN，一种空间图卷积神经网络，通过整合结构化子域自适应与域对抗学习，提升在不同工况下无监督轴承故障诊断的性能。通过图卷积建模数据几何结构，并利用对抗训练与局部最大均值差异（LMMD）对齐全局域与局部子域，DSAGCN在CWRU数据集上实现100%准确率，最优k值为2，且收敛速度优于基线方法。

ABSTRACT

Unsupervised domain adaptation (UDA) has shown remarkable results in bearing fault diagnosis under changing working conditions in recent years. However, most UDA methods do not consider the geometric structure of the data. Furthermore, the global domain adaptation technique is commonly applied, which ignores the relation between subdomains. This paper addresses mentioned challenges by presenting the novel deep subdomain adaptation graph convolution neural network (DSAGCN), which has two key characteristics: First, graph convolution neural network (GCNN) is employed to model the structure of data. Second, adversarial domain adaptation and local maximum mean discrepancy (LMMD) methods are applied concurrently to align the subdomain's distribution and reduce structure discrepancy between relevant subdomains and global domains. CWRU and Paderborn bearing datasets are used to validate the DSAGCN method's efficiency and superiority between comparison models. The experimental results demonstrate the significance of aligning structured subdomains along with domain adaptation methods to obtain an accurate data-driven model in unsupervised fault diagnosis.

研究动机与目标

• 为解决现有无监督域自适应（UDA）方法在轴承故障诊断中忽略数据几何结构与子域级别分布差异的局限性。
• 通过图卷积网络（GCNN）建模数据内在结构，提升在不同工况下的故障诊断准确率。
• 通过对抗训练与局部最大均值差异（LMMD）同时对齐全局域分布与局部子域分布，减少域偏移。
• 构建一个端到端的深度学习框架，在无需目标数据标签的情况下，实现对不同工作条件的良好泛化能力。
• 在真实轴承数据集中验证结构化子域自适应与混合域对齐的有效性。

提出的方法

• 构建图卷积神经网络（GCNN），通过k近邻构建空间图来编码振动信号的几何结构。
• 模型采用对抗域自适应方法，利用域判别器学习源域与目标域之间的域不变特征。
• 应用局部最大均值差异（LMMD）对同一故障类别内的子域分布进行对齐，减少局部分布偏移。
• 损失函数结合对抗损失、LMMD损失与分类交叉熵损失，通过反向传播联合优化。
• 使用多项式图滤波器定义图卷积操作，k作为超参数控制邻域连通性。
• 框架在有标签的源数据与无标签的目标数据上端到端训练，实现在无监督条件下的迁移学习。

实验结果

研究问题

• RQ1 通过图卷积建模轴承振动信号的几何结构，是否能提升在域偏移条件下的故障诊断性能？
• RQ2 将对抗域自适应与结构化子域对齐（通过LMMD实现）结合，是否能比仅使用全局域对齐获得更好的泛化性能？
• RQ3 在k近邻图构建中，k值的最优选择为何？需兼顾准确率与计算效率。
• RQ4 与现有UDA方法（如GC-MMD与GC-CORAL）相比，所提出的DSAGCN模型在收敛速度与稳定性方面表现如何？
• RQ5 在训练目标中，对抗损失与LMMD损失系数的最优超参数是什么？

主要发现

• 当k=2时，DSAGCN在CWRU数据集上对转移任务B→D与H→G实现100%的故障诊断准确率，优于所有其他方法。
• 在k=2时，模型达到最高准确率与最短训练时间，CWRU数据集上的训练时间为396秒。
• 当k超过10后，诊断准确率显著下降——在k=100时降至66%，表明更高的k值增加复杂度并降低性能。
• 与GC-MMD、GC-MKMMD及GC-CORAL相比，DSAGCN收敛更快且波动更小，展现出更优的训练稳定性和效率。
• 最优超参数被确定为β=0.5（对抗损失系数）与μ=1（LMMD损失系数），此时准确率最高。
• 在PU数据集上，DSAGCN在k=2时达到98.63%的准确率，显著优于其他方法，并在多次运行中保持高度稳定性。