Çekişmeli makine öğrenmesi saldırılarının rulman arıza teşhisindeki etkileri

Bilgiye dayalı arıza teşhis yöntemleri, sırasıyla model tabanlı ve sinyal tabanlı teşhis yöntemlerinde gerekli olan kesin model ve sinyal kalıplarına ihtiyaç duymadıkları için daha fazla tercih edilir hale gelmiştir. Makine öğrenimi teknikleri, ham sinyallerden sağlık durumlarına bilgileri eşleyerek arıza teşhisinde dikkate değer sonuçlar sağlamaktadır. Ancak makine öğrenimi yöntemlerinin kullanıldığı diğer endüstriyel uygulamalarda olduğu gibi kötü niyetli saldırılara karşı zafiyetleri ortaya çıkmaktadır. Bu çalışmada erişime açık CWRU rulman sağlık durumu veri kümesindeki 10 farklı sağlık durumunu içeren titreşim sinyalleri 2B görüntülere çevrilmiş ve görüntülerin sınıflandırılması için kullanılan derin artık öğrenme (DRL) ağ modeline beyaz kutu çekişmeli saldırılarından Hızlı Gradyan İşareti Yöntemi (FGSM), Temel Yinelemeli Yöntem (BIM), İzdüşürülen Gradyan İniş (PGD) ve Carlini ve Wagner (CW) saldırıları uygulanmıştır. Uygulanan çekişmeli makine öğrenmesi saldırılarının etkisini incelemek için DRL modelinin dayanıklılığı analiz edilmiştir. Elde edilen sonuçlara göre uygulanan çekişmeli saldırılar DRL modelini kandırarak yanlış sonuç üretmesine yol açmış ve rulman arıza teşhis sınıflandırma doğruluğunu düşürmüştür. 2B görüntülere oldukça küçük bir pertürbasyon eklenmesi sonucu %99.98 olan sınıflandırma doğruluğu FGSM, BIM, PGD, ve CW saldırı yöntemleri ile sırasıyla %68.38, %61.75, %61.88 ve %63.31 değerine düşmüştür. Ulaşılan sonuçlar kullanılan çekişmeli makine öğrenmesi saldırı yöntemlerinin rulman arıza teşhis sınıflandırma doğruluğunu düşürmesi için büyük potansiyele sahip olduğunu göstermektedir.