[論文レビュー] On-Line Condition Monitoring using Computational Intelligence

Christina B. Vilakazi, Tshilidzi Marwala+2 more|arXiv (Cornell University)|May 16, 2007

Advanced Computational Techniques and Applications参考文献 14被引用数 4

ひとこと要約

本論文は、溶解ガス分析に基づく故障分類を目的とした、計算知能技術—特に多層パーセプトロン（MLP）、径路基底関数（RBF）、サポートベクターマシン（SVM）—を用いた、電力ブッシングのオンライン状態監視フレームワークを提案する。MLPは精度と学習速度の両面でRBFおよびSVMを上回り、インクリメンタル学習アルゴリズムにより新規データへのリアルタイム適応が可能となり、分類精度が67.5％から95.8％、新規データおよび故障種別を導入した際には60％から95.3％へ向上した。平均意思決定信頼度は0.92であった。

ABSTRACT

This paper presents bushing condition monitoring frameworks that use multi-layer perceptrons (MLP), radial basis functions (RBF) and support vector machines (SVM) classifiers. The first level of the framework determines if the bushing is faulty or not while the second level determines the type of fault. The diagnostic gases in the bushings are analyzed using the dissolve gas analysis. MLP gives superior performance in terms of accuracy and training time than SVM and RBF. In addition, an on-line bushing condition monitoring approach, which is able to adapt to newly acquired data are introduced. This approach is able to accommodate new classes that are introduced by incoming data and is implemented using an incremental learning algorithm that uses MLP. The testing results improved from 67.5% to 95.8% as new data were introduced and the testing results improved from 60% to 95.3% as new conditions were introduced. On average the confidence value of the framework on its decision was 0.92.

研究の動機と目的

• 計算知能を用いた、リアルタイムで適応可能な電力ブッシングの状態監視システムの開発。
• MLP、RBF、SVM分類器の故障検出および分類性能を比較すること。
• 新規に得られたデータおよび新規故障種別を段階的に学習できるようにシステムを設計すること。
• 溶解ガス分析（DGA）データを用いて診断精度と意思決定信頼度を向上させること。
• 進化するデータに適応できるオンライン学習フレームワークを実装すること。

提案手法

• フレームワークは二段階分類アプローチを採用：まずブッシングが故障しているかを特定し、次に故障種別を同定する。
• 分類器の入力特徴として、ブッシングからの溶解ガス分析（DGA）データが使用される。
• 多層パーセプトロン（MLP）、径路基底関数（RBF）ネットワーク、サポートベクターマシン（SVM）がDGAデータセット上で訓練され、比較される。
• MLPにインクリメンタル学習アルゴリズムが適用され、新規データおよび新規故障種別へのオンライン適応が可能となる。
• システムは流入データに応じてモデルを動的に更新し、時間経過とともに汎化性能と精度が向上する。
• 性能評価には、正答率、学習時間、および意思決定信頼度（平均0.92）が用いられる。

実験結果

リサーチクエスチョン

• RQ1 MLP、RBF、SVM分類器は、オンラインブッシング状態監視において、精度と学習時間の点でどのように比較されるか？
• RQ2 MLPに基づくオンライン学習フレームワークは、新規に得られたデータおよび新規故障種別に対して効果的に適応可能か？
• RQ3 インクリメンタル学習は、時間の経過とともに分類精度をどの程度向上させるか？
• RQ4 システムの故障分類意思決定の平均信頼度はどの程度か？
• RQ5 進化するデータ分布をリアルタイムで処理する中で、フレームワークは高い性能を維持できるか？

主な発見

• テストされた三つの分類器の中で、MLPが最も高い正答率と最速の学習時間を達成した。
• インクリメンタル学習を適用したことで、新規データの導入に伴い、システムのテスト正答率が67.5％から95.8％へ向上した。
• 新規故障状態が追加された際には、正答率が60％から95.3％へ上昇した。
• システム意思決定の平均信頼度は0.92であり、高い信頼性を示している。
• インクリメンタル学習アプローチにより、新規データおよび新規故障種別へのリアルタイム適応が成功裏に実現された。
• フレームワークは、動的でオンラインの監視環境において、優れたスケーラビリティとロバストネスを示した。