[論文レビュー] Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data

Jyoti Rani, Tapas Tripura+2 more|arXiv (Cornell University)|Jan 8, 2024

Fault Detection and Control Systems被引用数 5

ひとこと要約

この論文は、Wavelet Neural OperatorsとGANを組み合わせた生成対向フレームワークである GAWNO を紹介し、多変量時系列の故障を検知・分離し、産業データセットで検証している。

ABSTRACT

Fault detection and isolation in complex systems are critical to ensure reliable and efficient operation. However, traditional fault detection methods often struggle with issues such as nonlinearity and multivariate characteristics of the time series variables. This article proposes a generative adversarial wavelet neural operator (GAWNO) as a novel unsupervised deep learning approach for fault detection and isolation of multivariate time series processes.The GAWNO combines the strengths of wavelet neural operators and generative adversarial networks (GANs) to effectively capture both the temporal distributions and the spatial dependencies among different variables of an underlying system. The approach of fault detection and isolation using GAWNO consists of two main stages. In the first stage, the GAWNO is trained on a dataset of normal operating conditions to learn the underlying data distribution. In the second stage, a reconstruction error-based threshold approach using the trained GAWNO is employed to detect and isolate faults based on the discrepancy values. We validate the proposed approach using the Tennessee Eastman Process (TEP) dataset and Avedore wastewater treatment plant (WWTP) and N2O emissions named as WWTPN2O datasets. Overall, we showcase that the idea of harnessing the power of wavelet analysis, neural operators, and generative models in a single framework to detect and isolate faults has shown promising results compared to various well-established baselines in the literature.

研究の動機と目的

• 産業プロセスにおける高次元・非線形の多変量時系列の故障検知と分離に取り組む。
• 正常運転下でデータの基礎分布を学習して異常検知を可能にするフレームワークを開発する。
• ウェーブレット分析とニューラルオペレーターを活用して時系列的および空間的依存性を捉え、汎化性能を向上させる。

提案手法

• Wavelet Neural Operators (WNO) を GAN アーキテクチャに統合した Generative Adversarial Wavelet Neural Operator (GAWNO) を構築する。
• U-Net にインスパイアされた生成器と識別器を、 uplifting および downlifting ウェーブレット積分ブロックを備えた両方が WNO であるように用いる。
• マルチスケール学習を可能にするため、ウェーブレット空間でカーネルを離散ウェーブレット変換を用いてパラメータ化する。
• 正常運転データで GAN を訓練して分布を学習し、再構成/しきい値に対する乖離によって故障を検出する。
• 識別器の最後の層に積分的機能的（integral functional）層を用いて、関数値表現を標量確率へ写像する。

実験結果

リサーチクエスチョン

• RQ1 GAWNO フレームワークは正規の時系列データの厳密な多変量確率分布を学習できるか？
• RQ2 確立されたベースラインと比較して、GAWNO は多変量時系列の故障をどの程度効果的に検知・分離できるか？
• RQ3 ウェーブレットベースのオペレータ学習と GAN の敵対的トレーニングは、非線形な多変量ダイナミクス下で故障判別を改善するか？

主な発見

• GAWNO はウェーブレット神経オペレーターと GAN を融合して、正常運用下の基礎分布を学習する。
• 故障検知と分離は、正常データから学習したしきい値に対する再構成/乖離によって実行される。
• TEP（Tennessee Eastman Process）および WWTP N2O データセットでの検証は、ベースラインと比較して有望な故障検知/分離性能を示す。
• このフレームワークはウェーブレットの局所化を活用して、多変量データの時刻-周波数および空間依存性の両方を捉える。
• アーキテクチャは深く、メモリ効率の高い U-Net スタイルの生成器/識別器を用い、スキップ接続およびマルチ解像度ウェーブレットブロックを備える。
• 文献ベースラインと比較して、GAWNO は試験データセット全体で有望な有効性を示す。