[2020 Signal Processing] Multi-Layer Domain Adaptation Method for Rolling Bearing Fault Diagnosis

1. Motivation

1) 기존 고장 진단을 위한 방법은 훈련과 테스트 데이터가 동일한 분포를 따른다는 가정 하에 수행됨.
- 그러나 실제 상황에서는 Domain-Shift 때문에 해당 가정이 성립하지 않음.
- 이는 일반화 능력을 저하시킴.

2) 타겟 도메인에서 유효한 레이블링이 된 데이터를 얻는 것이 쉽지 않음.

2. Contribution

"Multi-Layer & Multi-Kernel MMD (Maximum Mean Discrepancy)"

• 베어링 데이터를 위한 새로운 domain adapatation 방법 제안함.
• Domain Shift 문제를 해결하기 위해, 소스 도메인과 타겟 도메인 사이의 Multi-Layer 및 Multi-Kernel MMD를 최소화함.
  - 비지도 domain adaptation에 대한 기존 연구는 마지막 layer에서 추출된 high level feature의 분포 불일치만을 최소화하는 데 초점을 맞추고 있음.
  • Higher layer에서 domain discrepancy가 증가한다는 선행 연구가 있음.

◈ Maximum Mean Discrepancy (MMD)
: 두 분포의 불일치성을 표현하는 지표로, Source와 Target을 Hibert space(H)로 mapping한 다음 분포의 차이를 계산함.

3. Proposed Method

[Overall Architecture]

1) Four Stacked 1D convolution layers + Max Pooling
2) high-level feature representations are flattened and connected to a fully-connected (FC) layer (Dropout 0.5)
3) Soft-max regression is adopted to predict the fault categories

• 각 convolution layer 다음에 BN과 activation function 사용

[Optimization Objective]

• 마지막 layer에서만 분포 불일치를 최소화하는 것은 소스 도메인과 타겟 도메인 사이의 편향을 효과적으로 제거할 수 없음.
• 본 논문에서는 representation layer와 classifier에 공동으로 적용하는 domain adaptation 방법을 개발하고 Multiple layer MMD를 채택함.
• 최종 Loss는 cross entropy loss와 mmd loss의 합으로 계산됨.

[Diagnosis Procedure]

• 데이터: 센서로부터 수집된 진동 데이터
• 라벨이 있는 source domain data와 라벨이 없는 target domain data가 인풋으로 들어감.
• Multiple layer와 pooling layer를 통해 domain invariant한 feature가 추출됨,
• Target domain testing sample이 테스트 과정에 사용되어 fault diagnosis result가 도출됨.

4. 결론

• Multi-Kernel을 사용하여 더 많은 특징을 추출할 수 있음.
• Maximum Mean Discrepancy라는 지표를 사용함. (서로 다른 도메인간의 분포 차이 계산)
• 이전 논문들은 GAN을 사용하여 Source와 Target 도메인 간의 차이를 줄이지만, 본 논문에서는 MMD로 분포 차이를 줄임으로써 도메인간의 차이를 줄임.
• 데이터의 수가 적을때도 효과가 좋음.