A domain adaptation neural network for digital twin-supported fault diagnosis

要約

デジタルツインは、モデルトレーニングのシミュレーションデータを生成することにより、深い学習ベースの障害診断に十分なラベル付きデータがないことに対する有望なソリューションを提供します。
ただし、シミュレーションと現実世界のシステムの不一致は、実際のシナリオでモデルが適用されると、パフォーマンスが大幅に低下する可能性があります。
この問題に対処するために、シミュレーション（ソースドメイン）から実世界（ターゲットドメイン）データへの知識転送を可能にするドメイン副産物ニューラルネットワーク（DANN）に基づいた障害診断フレームワークを提案します。
公開されているロボット障害障害診断データセットを使用して提案されたフレームワークを評価します。これには、デジタルツインモデルによって生成された3,600のシーケンスと、物理システムから収集された90の実際のシーケンスが含まれます。
DANNメソッドは、CNN、TCN、トランス、LSTMなどの一般的に使用される軽量の深い学習モデルと比較されます。
実験結果は、ドメインの適応を組み込むことで診断パフォーマンスが大幅に向上することを示しています。
たとえば、DANNをベースラインCNNモデルに適用すると、実際のテストデータの精度が70.00％から80.22％に向上し、SIMからリアルのギャップを埋める際のドメイン適応の有効性が示されます。

要約(オリジナル)

Digital twins offer a promising solution to the lack of sufficient labeled data in deep learning-based fault diagnosis by generating simulated data for model training. However, discrepancies between simulation and real-world systems can lead to a significant drop in performance when models are applied in real scenarios. To address this issue, we propose a fault diagnosis framework based on Domain-Adversarial Neural Networks (DANN), which enables knowledge transfer from simulated (source domain) to real-world (target domain) data. We evaluate the proposed framework using a publicly available robotics fault diagnosis dataset, which includes 3,600 sequences generated by a digital twin model and 90 real sequences collected from physical systems. The DANN method is compared with commonly used lightweight deep learning models such as CNN, TCN, Transformer, and LSTM. Experimental results show that incorporating domain adaptation significantly improves the diagnostic performance. For example, applying DANN to a baseline CNN model improves its accuracy from 70.00% to 80.22% on real-world test data, demonstrating the effectiveness of domain adaptation in bridging the sim-to-real gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google