Vibration Signal-based Status Diagnosis using an Explainable One-dimensional Convolutional Neural Network

Abstract

Recently, various status diagnosis methods based on deep learning have been studied. However, deep learning-based methods have the disadvantage that it is difficult to interpret compared to model-based methods. Accordingly, eXplainable Artificial Intelligence based Deep Learning Models (XAI-DLMs) for the status diagnosis have been actively studied to explain a learned status diagnosis model. In this paper, we propose a new status diagnosis framework with XAI-DLM. The characteristic of the proposed framework is to utilize the cross-domain of the time domain and the frequency domain. The proposed framework that contains the classification model based on deep learning which utilizes 1-Dimensional (1-D) CNNs to learn vibration signal in the time domain and visualization of classification criteria in the frequency domain. The proposed model learns time-series vibration signals while keeping the frequency information for the end-to-end model. The proposed visualization provides a user with frequency-domain-based classification criteria of the model learned with time-series vibration signals. That is, training of deep learning models is performed in the time domain, and visualization is performed in the frequency domain. Since the vibration signal is measured in 1-axis or multiple axes, frameworks suitable for each signal are proposed respectively. The proposed frameworks are applied and validated to the task of distinguishing the status of facilities. The classification criteria of the proposed models are visualized and the frequency-domain-based characteristics of each status are analyzed.

본 논문에서는 설명 가능한 인공지능을 활용하는 진동 신호 기반의 상태 진단 Framework를 제안한다. 제안하는 Framework는 Explainable model과 Explainable interface로 구성된다. Explainable model은 사용자에게 설명이 가능한 특징을 생성하도록 구성된 모델이다. Explainable Interface는 생성된 특징을 기반으로 사용자에게 사용자가 이해할 수 있는 수준으로 결과를 표현하는 방법이다. 제안하는 프레임 워크는 2가지 목표를 기반으로 설계되었다. 첫번째 목표는 Explainable model을 End-to-end model로 설계하는 것이다. End-to-end model은 진동 신호가 계측되는 시간 영역의 신호로 학습된 모델을 의미한다. 두번째는 Explainable interface를 사용자가 진동 신호를 이해하기 용이한 주파수 영역에서 설계하는 것이다. 주파수 기반의 시각화를 위해, 제안하는 Explainable model은 시간 영역의 신호로 부터 주파수 특징을 추출한다. 이를 위해, 1-D CNN 기반의 새로운 구조를 제안한다. 제안하는 구조를 가지는 Explainable model에서 생성된 특징을 기반으로 Explainable interface를 설계한다. 제안하는 Explainable interface는 생성된 특징의 주파수 정보의 Weighted summation으로 학습된 모델의 분류 기준을 사용자에게 제공한다. 3장에서는 1축 신호를 위한 Framework를 설계하였다. 상기 Explainable model의 특징을 가지도록, 시간 영역의 신호로 부터 주파수 특징을 추출하는 End-to-end model인 1-D CNN 기반의 Explainable Model을 제안하였다. 또한 해당 Explainable model에 Norm constraint를 추가한 Explainable model를 제안하였다. 제안된 Explainable model들로부터 생성된 주파수 정보를 기반으로, 사용자에게 모델의 분류 기준을 주파수 영역에서 시각화하는 Explainable interface인 FG-CAM과 FAM또한 제안하였다. 4장에서는 3축 신호를 위한 Framework를 설계하였다. 3장의 Explainable model들과 마찬가지로 시간 영역의 신호로 부터 주파수 특징을 추출하도록 Explainable model이 설계되었으며, 각 축의 정보를 독립적으로 추출하기 위해 Group convolution이 활용되었다. 또한, 제안된 Group convolution 기반의 Explainable model의 분류 기준을 각 축별로 사용자에게 제공하는 mFG-CAM을 제안하였다.