Foundational Models for Fault Diagnosis of Electrical Motors

要約

電気モーターの故障診断に関する最近の進歩の大部分は、トレーニング データとテスト データが同じ分布から抽出されるという前提に基づいています。
ただし、実際の電気モーターの動作シナリオでは、データの分布は動作条件によって異なる場合があります。
したがって、既存の研究はすべての動作条件にわたる完全にラベル付けされたトレーニング データに依存し、一貫した分布を想定しているため、この仮定は故障診断のための既存の研究の実際的な実装を制限します。
これは、さまざまな障害ケースや運用シナリオにわたって複数のマシンのラベル付きサンプルを大量に取得するのが現実的ではないためです。
前述の制限を克服するために、この研究では、電気モーターの故障診断のための基礎モデルを開発するためのフレームワークを提案します。
これには、自己教師あり学習を使用して高レベルの機能を学習するニューラル ネットワーク ベースのバックボーンを構築し、特定の目的を達成するためにバックボーンを微調整することが含まれます。
このようなアプローチの主な利点は、従来の教師あり学習方法と比較して、非常に少ない量のトレーニング データを使用して、さまざまなターゲット タスクを達成するためにバックボーンを微調整できることです。
経験的評価では、さまざまな種類の障害シナリオや動作条件だけでなく、さまざまなマシンにわたってバックボーンを微調整することによって 90% 以上の分類精度が得られ、提案されたアプローチの有効性が実証されています。
これは、現実世界のアプリケーションにおけるクロスマシン障害診断タスクに対する提案されたアプローチの有望な可能性を示しています。

要約(オリジナル)

A majority of recent advancements related to the fault diagnosis of electrical motors are based on the assumption that training and testing data are drawn from the same distribution. However, the data distribution can vary across different operating conditions during real-world operating scenarios of electrical motors. Consequently, this assumption limits the practical implementation of existing studies for fault diagnosis, as they rely on fully labelled training data spanning all operating conditions and assume a consistent distribution. This is because obtaining a large number of labelled samples for several machines across different fault cases and operating scenarios may be unfeasible. In order to overcome the aforementioned limitations, this work proposes a framework to develop a foundational model for fault diagnosis of electrical motors. It involves building a neural network-based backbone to learn high-level features using self-supervised learning, and then fine-tuning the backbone to achieve specific objectives. The primary advantage of such an approach is that the backbone can be fine-tuned to achieve a wide variety of target tasks using very less amount of training data as compared to traditional supervised learning methodologies. The empirical evaluation demonstrates the effectiveness of the proposed approach by obtaining more than 90\% classification accuracy by fine-tuning the backbone not only across different types of fault scenarios or operating conditions, but also across different machines. This illustrates the promising potential of the proposed approach for cross-machine fault diagnosis tasks in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google