<목차>
<키워드>
•
anomaly detection
•
time series data
•
few-shot learning
•
class-incremental learning
<연구 목적>
이 연구의 목적은 베어링 기계 결함 고장 진단을 위한 딥러닝 모델 개발에 있다. 현대 산업 시설에서 베어링 결함은 기계 고장의 주요 원인 중 하나로 꼽히며, 이러한 결함을 효과적으로 진단하는 것은 기계의 신뢰성과 수명을 향상시키는 데 필수적이다. 기존의 베어링 결함 진단 방법은 주로 IR (Inner Race), OR (Outer Race), B (Balls) 등의 결함 유형에 대한 레이블 데이터를 기반으로 한다. 그러나 베어링 결함은 단순히 베어링의 내부 구조적 요인 뿐만 아니라 다양한 외부적 요인에 의해서도 발생할 수 있다. 기존의 결함 레이블만을 학습한 딥러닝 모델을 사용할 경우, 베어링 결함이 아닌 다른 원인으로 인한 고장을 베어링 결함 유형으로 잘못 분류하여 잘못된 진단을 내릴 위험이 있다. 본 연구의 목표로 하는 모델은 기존에 정의된 클래스로 분류하는 것을 넘어서, 새로 발견되는 유형의 결함 패턴을 인지하고, 이를 독립된 새로운 클래스로 식별할 수 있는 능력을 포함해야 한다. 이를 통해 베어링 기계의 결함 진단의 정확도와 신뢰성을 높이는 것이 목표이다.
<Preliminary>
1. Class-Incremental Learning
Three types of incremental learning(Gido et al., 2022) 논문에서는 incremental learning(continual learning)의 3가지 시나리오를 정의한다.
1.
Task-Incremental Learning: 이 시나리오에서는 모델이 서로 다른 작업을 차례대로 학습한다. 각 작업은 독립적이며 모델은 각각의 작업에 최적화된 지식을 저장해야 한다. 학습된 작업을 수행할 때, 모델은 어떤 작업을 처리해야 하는지 사전에 알고 있으며, 이 정보를 바탕으로 관련 지식을 활용해 작업을 수행한다.
2.
Domain-Incremental Learning: 여기서는 입력 데이터의 도메인이 시간이 지남에 따라 변화하지만, 해결해야 할 문제의 종류는 변하지 않는다. 모델은 도메인 변화에 적응하여 학습되며, 특정 도메인에 대한 라벨링 없이도 일반화된 결론을 내릴 수 있어야 한다.
3.
Class-Incremental Learning: 모델은 새로운 클래스의 데이터가 순차적으로 제공될 때, 이전에 학습한 클래스를 잊지 않으면서 새로운 클래스를 학습한다. 이는 주로 시간이 지남에 따라 데이터가 순차적으로 제공될 때 사용된다.
이 논문에서는 세 가지 증분 학습 시나리오 중 Class-Incremental Learning이 가장 도전적인 것으로 언급되어 있다. 이는 새롭게 추가되는 클래스들이 이미 학습된 클래스들과 높은 유사성을 보이기 때문이다.
2. Few-Shot Learning
<Task 정의>
1. input
univariate time series data
time series data의 Properties
기계결함 시뮬레이터에 가속도계 센서를 설치하여 측정
Fourier Transform
time domain의 진동 신호를 frequency domain으로 변환한다.
FFT는 복잡한 신호를 다양한 주파수를 가진 기본 사인파와 코사인파로 분해한다. time domain의 신호가 각기 다른 주파수를 가진 성분으로 나뉘게 된다.
2. output
label 종류
•
정상
•
베어링 결함
◦
Inner Race Fault(내륜 결함)
◦
Outer Race Fault(외륜 결함)
◦
Ball Fault(베어링 볼 결함)
•
기계적 결함
◦
Misalignment(축정렬 불량)
◦
Imbalance(질량 불평형)
◦
Looseness(느슨함)
회전기계에서 베어링 결함 데이터셋은 확보한 상황, 정상, 베어링 결함 종류 에 대한 판별은 이미 잘하는 딥러닝 모델을 온-디바이스에 배포하여 실시간 결함 진단하는 시스템. 베어링 결함 뿐만 아니라 새로운 Class인 기계적 결함에 대한 판별해야 함.
3. model
Prototype 기법
Prototype learning: 주어진 데이터셋을 정확하게 대표할 수 있는 소수의 예시(프로토타입)를 식별하는 것을 목표로 한다. 그런 다음, 데이터 포인트와 프로토타입 간의 유사성을 사용하여 새로운 데이터 포인트를 분류한다. . 일반적으로 사용되는 클래스 프로토타입은 특정 클래스의 모든 샘플들로부터 계산된다. 여기서 프로토타입은 임베딩 네트워크에 의해 파라미터화된다. 전통적인 지도학습 방법에 비해 프로토타입 학습은 더 적은 레이블이 달린 데이터를 필요로 하며, 더 강력한 일반화 능력을 가진다.