이중 그래프 신경망을 이용한 결함 진단을 위한 소량 학습

기계적 결함 진단은 지능형 제조 시스템에서 장비의 안전한 작동을 보장하는 데 매우 중요합니다. 최근 특성 표현의 장점 덕분에 결함 진단을 위한 심층 학습 기반 방법들이 개발되었습니다. 그러나 이러한 방법들 대부분은 샘플 간의 관계를 학습하는 데 실패하여 충분한 레이블이 있는 데이터가 없으면 성능이 저조합니다. 본 기사에서는 제한된 데이터로 결함 진단 문제를 해결하기 위해 잔여 블록을 갖춘 새로운 소량 학습 방법인 이중 그래프 신경망(DGNNet)을 제안합니다. 첫째, 잔여 모듈은 원본 신호에서 전송된 이미지 데이터와 함께 샘플의 특성을 학습합니다. 둘째, 샘플 특성에 기반하여 구축된 두 개의 완전 그래프를 사용하여 샘플 간의 인스턴스 수준 및 분포 수준 관계를 추출합니다. 특히, 인스턴스 그래프와 분포 그래프 간의 교차 업데이트 정책은 다중 수준의 관계를 통합하여 몇 개의 레이블이 있는 샘플의 레이블 정보를 레이블이 없는 샘플로 전파합니다. 이 기술은 레이블이 있는 샘플과 없는 샘플을 활용하여 보이지 않는 결함을 식별하며, DGNNet이 매우 적은 레이블이 있는 샘플로 결함 진단 작업에서 능력을 발휘하도록 합니다. 다양한 데이터 세트에서의 광범위한 결과는 DGNNet이 감독된 결함 진단 작업에서 우수한 성능을 달성하고 반감독 사례에서 기준선보다 큰 폭으로 성능이 뛰어남을 보여줍니다.