In this study, we propose an adversarially-trained phase-consistent network (APCNet), which is a semi-supervised signal classification approach. Generating ground-truth labels of large-sized datasets are costly and impractical in many real-world situations. Semi-supervised learning methods, which train models with partially-labeled datasets, provide practical solutions to those applications. Hence, we aim to present a bearing fault diagnosis approach that is robust on datasets with extremely small labeled to unlabeled data ratio. APCNet suggests three novelties for this objective: specialized encoder architecture for vibration signal data, phase-consistency regularization, and adversarially trained latent distribution alignment of labeled and unlabeled distribution. We conduct experiments on two public bearing datasets to evaluate the performance of APCNet as compared to other baseline methods. We interpret the model capabilities with numerous experiments of different data label ratio and latent distribution analysis. The results show that APCNet performs well on datasets with small labeled to unlabeled data ratio. Also, we show that APCNet achieves our objectives of capturing important features of vibration signals and modeling the true data distribution effectively.
본 연구에서는 준지도 신호 분류 방법론인 적대적 위상 일치 신경망을 제안한다. 대규모 데이터의 검증 레이블을 생성하는 것은 실제 상황에서 비용 소모가 크고 실용적이지 않은 작업이다. 준지도 학습 방법론들은 적은 수의 레이블 데이터에 더불어 다수의 레이블이 없는 데이터를 활용해 모델을 학습함으로써 현실적인 상황에서 실용적인 해결책을 제공한다. 이 논문에서는 극단적으로 적은 수의 데이터의 레이블이 제공된 상황에서도 잘 학습하는 베어링 이상 진단 방법론을 제시한다. 적대적 위상 일치 신경망은 세 가지 핵심 요소인 진동 신호를 위한 특수한 인코더 구조, 위상 일치 정규화, 적대적 잠재 분포 정렬을 포함한다. 제안한 모델의 성능을 기준 모델과 비교하기 위해, 본 연구에서는 두 개의 공공 베어링 신호 데이터셋에 대해 실험을 진행했다. 결과를 통해 제안한 모델이 적은 수의 레이블 샘플만으로도 눈에 띄게 높은 성능을 낸다는 것을 보였다. 또한, 제안한 모델이 진동 신호의 핵심 특성을 효율적으로 추출하고, 실제 데이터 분포를 효과적으로 모델링한다는 것을 확인했다.
