Sample Augmentation for Intelligent Milling Tool Wear Condition Monitoring Using Numerical Simulation and Generative Adversarial Network [수치 시뮬레이션과 생성적 적대관계망을 이용한 지능형 밀링툴 마모상태 모니터링을 위한 표본증강]
- 기여점 . 주제
수치 시뮬레이션과 GAN에 기초한 새로운 데이터 증강 방법을 제안
→ 밀링 TCM 애플리케이션에서 AI 분류기를 훈련하는 데 사용된 데이터 세트와 관련된 누락 샘플 및 샘플 부족의 중요한 문제를 다룸
-
실험
-
데이터셋 수집 - J-C 모델을 기반으로 시뮬레이션된 변형 가능한 공작물이 있는 FEM 모델을 사용한 시뮬레이션이 아니라 공구 마모 조건과 관련된 수치 신호 샘플을 통해 얻어집니다.
-
GAN → 시뮬레이션된 샘플& 실험 통해 측정된 샘플과 유사한 추가 샘플을 합성하는데 사용
** GAN(Generative Adversarial Network)
훈련 과정 동안 반대되는 작업을 수행하는 생성기(G)와 판별기(D)로 구성
GAN에는 생성과 판별의 두 단계 존재
-
생성 단계에서 G는 가우시안 분포와 같은 이전 잡음 분포 z에 매핑하여 새로운 후보 데이터 샘플을 생성하고, 그 목표는 D에 의해 진짜라고 간주되는 잘못된 데이터 샘플 G(z)를 생성하는 것입니다. (최소화)
-
판별 단계에서 D는 입력 G(z)가 생성된 데이터 대신 실제 데이터에서 나올 확률 D(G(z))를 추정합니다. D(G(z))가 1에 가까울수록 더 높음을 의미합니다
훈련 과정은 G와 D에 대해 교대로 진행
G가 고정된 상태에서 D의 목적 함수를 최대화하여 D를 업데이트합니다.
D의 최적 해:
- Pg(z): G(z)의 분포
G의 목적함수를 최소화하여 D를 고정하고 G를 갱신하며, 상기 과정은 G와 D가 내쉬 균형에 도달할 때까지 반복되며, 이를 통해 훈련과정이 종료됨.
판별기 D는 훈련 초기에 실제 데이터로부터 학습할 수 있도록 허용되어 입력 샘플이 실제 샘플이라는 것을 인식할 수 있는 일차적인 용량을 가지며, 이후 판별기 D와 생성기 G가 교대로 훈련되어 서로 경쟁합니다.
→ GAN을 사용하여 많은 새로운 유사한 샘플이 생성
→ 원래 샘플과 결합된 합성 샘플을 얻을 수 있다.
-
-
실험결과
- 제안된 데이터 증강 방법은 다중 작동 조건에서 수행된 밀링 TCM 실험에서 얻은 절단력 신호 샘플을 적용했으며, 증강 데이터 세트로 훈련된 SVM, RF, DT, GRNN 분류기로 얻은 분류 정확도는 모두 100%에 가깝거나 같다.
- 제안된 데이터 증강 방법은 상당한 성능을 제공 → SMOTE 기반 방법을 능가하는 것으로 입증
Data Augmentation using Generative Adversarial Neural Networks of Brain Structural Connectivity in Multiple Sclerosis[다발성 경화증에서 뇌 구조적 연결성의 AAE을 이용한 데이터 증강]
