[論文レビュー] GPLA-12: An Acoustic Signal Dataset of Gas Pipeline Leakage

Jie Li, Lizhong Yao|arXiv (Cornell University)|Jun 19, 2021

Water Systems and Optimization参考文献 28被引用数 9

ひとこと要約

本論文は、12種類のガスパイプライン漏れカテゴリを含む684件の時系列サンプルを収集した、公開可能な音響信号データセットGPLA-12を紹介する。収集は実際のパイプラインシステムで二つのマイクロホンを用いて行われ、事前処理により1460点の離散信号に変換された。深層学習モデル、特に畳み込みニューラルネットワーク（CNN）が、従来の分類器を上回り、時系列に基づく故障診断研究におけるこのデータセットの価値を示している。

ABSTRACT

In this paper, we introduce a new acoustic leakage dataset of gas pipelines, called as GPLA-12, which has 12 categories over 684 training/testing acoustic signals. Unlike massive image and voice datasets, there have relatively few acoustic signal datasets, especially for engineering fault detection. In order to enhance the development of fault diagnosis, we collect acoustic leakage signals on the basis of an intact gas pipe system with external artificial leakages, and then preprocess the collected data with structured tailoring which are turned into GPLA-12. GPLA-12 dedicates to serve as a feature learning dataset for time-series tasks and classifications. To further understand the dataset, we train both shadow and deep learning algorithms to observe the performance. The dataset as well as the pretrained models have been released at both www.daip.club and github.com/Deep-AI-Application-DAIP

研究の動機と目的

• 産業用故障検出、特にパイプラインシステムにおける公開可能な音響信号データセットの不足に対処すること。
• 故障診断の応用における時系列分類および特徴学習のための標準化されたオープンアクセスデータセットを提供すること。
• 制御されたパイプライン環境からの実世界の音響漏れ信号に対して、浅いモデルと深層学習モデルの性能を評価すること。
• www.daip.clubおよびGitHubを通じたデータセットおよび事前学習済みモデルのリリースにより、再現可能な研究を支援すること。
• 音響ベースの故障検出分野における将来的なベンチマークのためのベースラインパフォーマンス指標を確立すること。

提案手法

• 音響信号は、異なる感度および周波数応答特性を有する二つのマイクロホン（MAX4466および他の未指定モデル）を用いたデュアルマイクロホン設定により、完全に稼働中のガスパイプラインシステムから収集された。
• 人工的な漏れを異なる圧力点（0.2、0.4、0.5 MPa）に導入し、制御された条件下でデータ収集が行われ、騒音ありおよび騒音なしの環境下でも実施された。
• 各5秒の音声サンプルは、機械学習処理に適した一貫性を保つために、1460点の離散時系列信号に事前処理された。
• データセットは12のラベル付きクラスに構成され、多様な運用および環境条件下でランダム選択によりクラスのバランスが維持された。
• 10-fold交差検証および70/30のトレーニング・テスト分割を用いた包括的な評価が実施され、SVM、KNN、RF、GNB、CNN、RNN、DBNを含む11種類の分類器が比較された。
• 性能評価はF1スコアを用い、モデルごとのクラスごとの分類性能について詳細な分析が行われた。

実験結果

リサーチクエスチョン

• RQ1 従来の機械学習分類器（例：SVM、KNN、GNB）は、ガスパイプライン漏れからの音響信号分類においてどの程度有効であるか？
• RQ2 深層学習モデル（例：CNN、RNN、DBN）は、パイプライン故障由来の複雑な音響信号分類において、浅いモデルに比べてどの程度優れているか？
• RQ3 クラスの不均衡やクラス間の信号類似性といった要因により、GPLA-12データの分類にどのような課題が生じるか？
• RQ4 異なるマイクロホン設定は、収集された音響信号の多様性および品質にどのように影響するか？
• RQ5 GPLA-12データセットは、将来的な音響ベースの故障診断研究における信頼できるベンチマークとして機能できるか？

主な発見

• CNNベースのモデルが、すべてのクラスで最高のF1スコアを達成し、1次元の音響時系列データに対する特徴抽出能力の優位性を示した。
• ガウス・ナイーブベイズ（GNB）は全体的に良好な性能を示し、これはデータセット内での漏れ音響信号がガウス分布に近い分布を示しているためと考えられる。
• K-近傍法（KNN）は性能が低く、多くのF1スコアがゼロに低下しており、このデータセットの特徴空間においてユークリッド距離が適切なメトリックでないことが示された。
• クラス1は、ほとんどの分類器において一貫して低いF1スコアを示しており、固有のクラスの曖昧性や信号の特徴が明確でないことが示唆された。
• 圧力、騒音レベル、マイクロホンタイプの多様性をカバーするデータセットの多様性は、二値分類および多クラス分類モデルの強固な評価を可能にしている。
• GitHubおよびdaip.clubを通じたGPLA-12と事前学習済みモデルのリリースにより、再現可能なベンチマーク評価が可能となり、音響故障診断分野の研究を加速できる。