Utilizing VQ-VAE for End-to-End Health Indicator Generation in Predicting Rolling Bearing RUL

要約

転がり軸受の残存耐用年数 (RUL) の予測は、工業生産において極めて重要な問題です。
この問題に取り組むための重要なアプローチには、振動信号を健康指標 (HI) に変換してモデルのトレーニングを支援することが含まれます。
この論文では、エンドツーエンドの HI 構築手法であるベクトル量子化変分オートエンコーダ (VQ-VAE) について説明します。これは、オートエンコーダなどの従来の教師なし学習手法における潜在変数の次元削減のニーズに対処します。
さらに、曲線の変動を正確に反映するのに従来の統計指標が不十分であることに関して、平均絶対距離 (MAD) と平均分散 (MV) という 2 つの新しい統計指標が導入されています。
これらのメトリクスは、曲線の変動パターンを正確に描写するため、類似の特徴を識別する際のモデルの精度を示します。
PMH2012 データセットでは、ラベル構築に VQ-VAE を採用した方法により、MAD と MV の値が低くなりました。
さらに、VQ-VAE ラベルでトレーニングされた ASTCN 予測モデルは、MAD と MV の最低値を達成するという賞賛に値するパフォーマンスを実証しました。

要約(オリジナル)

The prediction of the remaining useful life (RUL) of rolling bearings is a pivotal issue in industrial production. A crucial approach to tackling this issue involves transforming vibration signals into health indicators (HI) to aid model training. This paper presents an end-to-end HI construction method, vector quantised variational autoencoder (VQ-VAE), which addresses the need for dimensionality reduction of latent variables in traditional unsupervised learning methods such as autoencoder. Moreover, concerning the inadequacy of traditional statistical metrics in reflecting curve fluctuations accurately, two novel statistical metrics, mean absolute distance (MAD) and mean variance (MV), are introduced. These metrics accurately depict the fluctuation patterns in the curves, thereby indicating the model’s accuracy in discerning similar features. On the PMH2012 dataset, methods employing VQ-VAE for label construction achieved lower values for MAD and MV. Furthermore, the ASTCN prediction model trained with VQ-VAE labels demonstrated commendable performance, attaining the lowest values for MAD and MV.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google