[論文レビュー] Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data

Wenqian Jiang, Junyang Jin|arXiv (Cornell University)|Jan 20, 2021

Icing and De-icing Technologies参考文献 37被引用数 4

ひとこと要約

本稿では、二段階のトレーニングを用いた平行GANとCNN、またはドメイン適応を組み合わせた深層学習フレームワーク、PGANCおよびPGANTを提案する。これらはSCADAデータから風力タービンのブレード凍結を検出するもので、特にラベル付きデータが限られる状況下でも優れた精度と一般化性能を達成しており、従来のCNNや機械学習手法に比べ、AUC（最大0.949）およびMCCスコアで優れている。

ABSTRACT

Diagnosis of ice accretion on wind turbine blades is all the time a hard nut to crack in condition monitoring of wind farms. Existing methods focus on mechanism analysis of icing process, deviation degree analysis of feature engineering. However, there have not been deep researches of neural networks applied in this field at present. Supervisory control and data acquisition (SCADA) makes it possible to train networks through continuously providing not only operation parameters and performance parameters of wind turbines but also environmental parameters and operation modes. This paper explores the possibility that using convolutional neural networks (CNNs), generative adversarial networks (GANs) and domain adaption learning to establish intelligent diagnosis frameworks under different training scenarios. Specifically, PGANC and PGANT are proposed for sufficient and non-sufficient target wind turbine labeled data, respectively. The basic idea is that we consider a two-stage training with parallel GANs, which are aimed at capturing intrinsic features for normal and icing samples, followed by classification CNN or domain adaption module in various training cases. Model validation on three wind turbine SCADA data shows that two-stage training can effectively improve the model performance. Besides, if there is no sufficient labeled data for a target turbine, which is an extremely common phenomenon in real industrial practices, the addition of domain adaption learning makes the trained model show better performance. Overall, our proposed intelligent diagnosis frameworks can achieve more accurate detection on the same wind turbine and more generalized capability on a new wind turbine, compared with other machine learning models and conventional CNNs.

研究の動機と目的

• 限られたラベル付きデータのもとで、風力タービンにおける正確かつ一般化可能な凍結診断の課題に対処すること。
• 物理モデルに依存せずに、正常状態および凍結状態の特徴をエンド・ツー・エンドで学習可能なSCADAデータの活用。
• 異なる運用条件下でも、さまざまな風力タービンに一般化可能な移譲可能なフレームワークの開発。
• ゼロショットまたは少数ショットの移譲を実現するため、GANベースの特徴学習とドメイン適応を組み合わせることで、検出性能の向上。
• 実世界のSCADAデータ（3台の風力タービン）を用いて、多様な環境的および運用的シナリオ下でのモデルの妥当性を検証すること。

提案手法

• PGANCの提案：二段階のフレームワークで、正常および凍結サンプルから内在的特徴を抽出する二つの並列GANを用い、その後に分類用のCNNを適用。
• PGANTの導入：PGANCを拡張し、ターゲットタービンのラベル付きデータが不足している状況でも性能を向上させるためにドメイン適応学習を追加。
• 二つの損失関数を採用：ドメイン整合性損失（L_ms）とドメイン差異損失（L_md）を用い、ドメイン間の特徴分布を整合させる。
• 入力特徴として、運転パrameter（例：出力電力、ローター回転数）および環境変数（例：温度、風速）を含むSCADAデータを活用。
• 二段階トレーニングプロセスを適用：最初にGANを事前学習して分離表現を学習し、その後に分類器またはドメイン適応モジュールをファインチューニング。
• AUC、F1スコア、MCCを評価指標として用い、不均衡データにおける誤検出（偽陰性）の最小化に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 二段階のGANベースのフレームワークは、風力タービンのSCADAデータにおける正常状態および凍結状態の判別的特徴を効果的に学習できるか？
• RQ2 ラベル付きデータが限られる新しい風力タービンに移譲する際、ドメイン適応の導入がモデルの一般化性能をどのように向上させるか？
• RQ3 GANベースの特徴学習は、不均衡なSCADAデータにおける凍結検出において、標準的なCNNよりも微妙なパターンを捉える能力に優れているか？
• RQ4 エンド・ツー・エンド学習と比較して、二段階トレーニング戦略は、モデル性能およびトレーニング効率をどの程度向上させるか？
• RQ5 提案モデルは、従来の機械学習モデル（例：SVC、XGBoost）および他の深層学習ベースラインと比較して、クロスタービン移譲学習においてどのように性能を発揮するか？

主な発見

• PGANCは、タービン21でAUCが0.940、タービン8で0.933を達成し、3台のタービンすべてでSVC、CNN、その他のベースラインを上回った。
• 二段階トレーニング（段階2）は段階1に比べて顕著に性能を向上させ、タービン15ではAUCが最大0.056、タービン8では0.057向上した。
• PGANTは、タービン15-21でAUCが0.849、21-8で0.800を記録し、クロスタービン移譲学習においてKNN、SVC、XGBoost、PGANCを上回った。
• アブレーションスタディの結果、MMD損失（L_msおよびL_md）を両方備えたPGANTが最高のMCC（0.769）とAUCを達成し、少数クラスの予測精度が向上した。
• ドメイン適応がなくても、PGANCは従来のモデルに比べて優れた移譲性を示し、GANベースの特徴学習の堅牢性を裏付けた。
• 5%のラベル付きデータでも高い性能を維持でき、PGANTはタービン21-8でAUCが0.949を達成し、データが限られる状況下でも強力な一般化性能を示した。