[論文レビュー] Infrequent adverse event prediction in low carbon energy production using machine learning

Stefano Coniglio, Anthony J. Dunn+1 more|arXiv (Cornell University)|Jan 19, 2020

Fault Detection and Control Systems参考文献 19被引用数 5

ひとこと要約

本論文は、低炭素エネルギーシステムにおける希少な有害事象を予測する機械学習フレームワークを提案している。具体的には、嫌気性消化槽における泡立ちと原子力発電所の凝縮器チューブ漏れを、不均衡分類問題として扱う。オーバーサンプリングとSVMやGNBのようなアンサンブル分類器を用いることで、泡立ちを24時間前倒しで予測する手法が開発され、最大88.6％の正確性を達成。これにより、早期の予防的措置が可能になり、運用コストの低減が見込まれる。

ABSTRACT

We address the problem of predicting the occurrence of infrequent adverse events in the context of predictive maintenance. We cast the corresponding machine learning task as an imbalanced classification problem and propose a framework for solving it that is capable of leveraging different classifiers in order to predict the occurrence of an adverse event before it takes place. In particular, we focus on two applications arising in low-carbon energy production: foam formation in anaerobic digestion and condenser tube leakage in the steam turbines of a nuclear power station. The results of an extensive set of omputational experiments show the effectiveness of the techniques that we propose.

研究の動機と目的

• 低炭素エネルギー生産における稀な有害事象のための予測保全フレームワークの開発。
• 泡立ちやチューブ漏れのような希少事象を予測する際の不均衡データ問題への対処。
• 原料スラudge分析に依存せず、運用特性のみを用いて有害事象の早期検出を可能にする。
• システムの故障前に適切な干渉を可能にすることで、運用コストの低減。
• 嫌気性消化および原子力発電所の実データを用いてフレームワークの妥当性を検証。

提案手法

• 歴史的運用データを用いて、有害事象予測を不均衡分類問題として定式化。
• 訓練データにおけるクラスの不均衡を是正するため、オーバーサンプリング技術（例：SMOTE）を適用。
• SVM、GNB、ランダムフォレスト、XGBoostといった複数の分類器を用い、異なる警告時間ウィンドウ（ω）で評価。
• ユーザーが定義する警告ウィンドウ ω を用いて、事象が「事前に防げる」状態と定義。
• モデルの汎化能力を評価するため、5分割交差検証を実施。
• 正確性とバランス型正確性を用いて性能を評価し、早期警告能力に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、原料スラudge分析に依存せず、運用特性のみを用いて低炭素エネルギーシステムにおける希少な有害事象を効果的に予測できるか？
• RQ2 オーバーサンプリングは、泡立ちやチューブ漏れのような希少事象の予測性能をどのように向上させるか？
• RQ3 早期検出とモデルの信頼性の両立を考慮した場合、最適な警告ウィンドウ（ω）は何か？
• RQ4 各アプリケーションにおいて、異なる警告時間帯で最も優れた性能を示す分類器は何か？
• RQ5 本フレームワークは、適切な予防保全措置を可能にすることで、運用コストを低減できるか？

主な発見

• 嫌気性消化において、オーバーサンプリングを適用したGNB分類器は、24時間前の泡立ち予測で平均テスト正確性88.6％を達成した。
• オーバーサンプリングを適用したSVM分類器は、24時間の警告期間で泡立ち予測において平均テスト正確性85.4％を達成した。
• 原子力発電所において、オーバーサンプリングを適用したSVM分類器は、警告ウィンドウ ω=8 の場合、6件中3件のチューブ漏れを事前に特定し、各ブロックでバランス型正確性が0.75以上を達成した。
• 警告ウィンドウを12時間（ω=4）に短縮した場合、同様のバランス型正確性を維持しながら、6件中4件のチューブ漏れを事前に特定できた。
• 原子力発電所の応用において、GNB分類器は警告ウィンドウが36時間以上（ω > 36）の長期間予測において、他の分類器を上回る性能を示した。
• 本フレームワークは、運用データのみを用いて早期検出を可能にし、高価な原料スラudge分析や泡立ち防止薬剤の使用を削減した。