[論文レビュー] On Accurate and Reliable Anomaly Detection for Gas Turbine Combustors: A Deep Learning Approach

Weizhong Yan, Lijie Yu|arXiv (Cornell University)|Aug 25, 2019

Anomaly Detection Techniques and Applications参考文献 28被引用数 51

ひとこと要約

論文は、排ガス温度センサから特徴を階層的に学習する深層学習ベースの異常検知フレームワークを導入し、ガスタービン燃焼室の故障検知を向上させる。

ABSTRACT

Monitoring gas turbine combustors health, in particular, early detecting abnormal behaviors and incipient faults, is critical in ensuring gas turbines operating efficiently and in preventing costly unplanned maintenance. One popular means of detecting combustor abnormalities is through continuously monitoring exhaust gas temperature profiles. Over the years many anomaly detection technologies have been explored for detecting combustor faults, however, the performance (detection rate) of anomaly detection solutions fielded is still inadequate. Advanced technologies that can improve detection performance are in great need. Aiming for improving anomaly detection performance, in this paper we introduce recently-developed deep learning (DL) in machine learning into the combustors anomaly detection application. Specifically, we use deep learning to hierarchically learn features from the sensor measurements of exhaust gas temperatures. And we then use the learned features as the input to a neural network classifier for performing combustor anomaly detection. Since such deep learned features potentially better capture complex relations among all sensor measurements and the underlying combustor behavior than handcrafted features do, we expect the learned features can lead to a more accurate and robust anomaly detection. Using the data collected from a real-world gas turbine combustion system, we demonstrated that the proposed deep learning based anomaly detection significantly indeed improved combustor anomaly detection performance.

研究の動機と目的

• 高額な予期せぬ保守を防ぐために、ガスタービン燃焼室での異常検知の改善を動機づける。
• センサデータからハンドクラフト特徴を超える豊かな特徴表現を学習するために、深層学習を活用する。
• 学習された特徴を分類器に入力することで、実世界データ上の検出性能が向上することを示す。

提案手法

• 排ガス温度センサ測定値から特徴を階層的に学習するために深層学習を用いる。
• 学習された特徴を抽出し、それらを異常検知のニューラルネットワーク分類器に入力する。
• アプローチを検証するため、実世界のガスタービン燃焼システムからのデータに依存する。
• 深く学習された特徴は、センサ測定と燃焼室挙動の複雑な関係を手作り特徴よりもよく捉えると仮定する。

実験結果

リサーチクエスチョン

• RQ1 伝統的手法と比較して、深層学習ベースの特徴学習は燃焼室の異常検知の精度と信頼性を向上させることができるか？
• RQ2 排ガス温度データからの学習特徴は、さまざまな運転条件下で堅牢な検出を提供するか？
• RQ3 提案されたDLベースのパイプラインは、ガスタービン燃焼室の早期故障検知に実用的な利点をもたらすか？

主な発見

• DLベースの異常検知は、実世界データ上の燃焼室異常検知性能を大幅に向上させる。
• 学習された特徴表現は、温度センサ測定と燃焼室挙動の複雑な関係を捉える。
• このアプローチは、ハンドクラフト特徴ベースの手法よりもより正確で堅牢な検知を提供することを目指す。