Domain Adaptation-based Edge Computing for Cross-Conditions Fault Diagnosis

要約

故障診断技術は機械装置の健全な稼働をサポートします。
しかし、機械装置の動作中の変動条件によりデータ分布に大きな差異が生じ、故障診断が困難になります。
さらに、アプリケーションを展開する際、従来の方法では遅延やデータ セキュリティなどの問題が発生することがよくあります。
したがって、障害診断を実施し、クロスオペレーティング条件下でアプリケーション方法を展開することには大きな価値があります。
この論文では、エッジ コンピューティング シナリオ向けのドメイン アダプテーション ベースの軽量障害診断フレームワークを提案します。
極大平均不一致を知識伝達に組み込むと、高次元特徴空間内のさまざまなドメインの特徴分布が調整され、ドメイン間で共通の特徴空間が発見されます。
クラウド モデルから取得した障害診断の専門知識は、適応知識の転送方法を使用して軽量のエッジ モデルに転送されます。
リアルタイムの診断機能を確保しながら、あらゆる動作条件にわたって正確な障害診断が実現されます。
NVIDIA Jetson Xavier NXキットの検証実験を実施しました。
診断性能に関しては、提案手法は診断精度を大幅に向上させ、比較手法と比較して平均でそれぞれ 34.44% と 17.33% 向上しました。
軽量化の効果に関しては、提案手法は平均 80.47% の推論速度の向上を達成しました。
さらに、クラウド モデルと比較して、エッジ モデルのパラメータ数は 96.37% 減少し、フロップスは 83.08% 減少しました。

要約(オリジナル)

Fault diagnosis technology supports the healthy operation of mechanical equipment. However, the variations conditions during the operation of mechanical equipment lead to significant disparities in data distribution, posing challenges to fault diagnosis. Furthermore, when deploying applications, traditional methods often encounter issues such as latency and data security. Therefore, conducting fault diagnosis and deploying application methods under cross-operating conditions holds significant value. This paper proposes a domain adaptation-based lightweight fault diagnosis framework for edge computing scenarios. Incorporating the local maximum mean discrepancy into knowledge transfer aligns the feature distributions of different domains in a high-dimensional feature space, to discover a common feature space across domains. The acquired fault diagnosis expertise from the cloud-model is transferred to the lightweight edge-model using adaptation knowledge transfer methods. While ensuring real-time diagnostic capabilities, accurate fault diagnosis is achieved across working conditions. We conducted validation experiments on the NVIDIA Jetson Xavier NX kit. In terms of diagnostic performance, the proposed method significantly improved diagnostic accuracy, with average increases of 34.44% and 17.33% compared to the comparison method, respectively. Regarding lightweight effectiveness, proposed method achieved an average inference speed increase of 80.47%. Additionally, compared to the cloud-model, the parameter count of the edge-model decreased by 96.37%, while the Flops decreased by 83.08%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google