[論文レビュー] WaveletAE: A Wavelet-enhanced Autoencoder for Wind Turbine Blade Icing Detection

Binhang Yuan, Chen Wang+5 more|arXiv (Cornell University)|Feb 14, 2019

Anomaly Detection Techniques and Applications参考文献 60被引用数 12

ひとこと要約

WaveletAE は、離散ウェーブレット変換を活用して多変量 SCADA 時系列におけるマルチスケールの時間的・周波数領域パターンを捉えるウェーブレット強化型オートエンコーダーです。CNN-LSTM エンコーダデコーダアーキテクチャにウェーブレット詳細係数を統合することで、実世界のデータにおいて最先端の異常検出手法を上回り、半教師ありおよび教師ありの両設定で優れた検出精度を達成します。

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is abundant and inexhaustible. To fully utilize wind power, wind farms are usually located in areas of high altitude and facing serious ice conditions, which can lead to serious consequences. Quick detection of blade ice accretion is crucial for the maintenance of wind farms. Unlike traditional methods of installing expensive physical detectors on wind blades, data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this work, we propose a wavelet enhanced autoencoder model (WaveletAE) to identify wind turbine dysfunction by analyzing the multivariate time series monitored by the SCADA system. WaveletAE is enhanced with wavelet detail coefficients to enforce the autoencoder to capture information from multiple scales, and the CNN-LSTM architecture is applied to learn channel-wise and temporal-wise relations. The empirical study shows that the proposed model outperforms other state-of-the-art time series anomaly detection methods for real-world blade icing detection.

研究の動機と目的

• 高高度で凍結が頻発する地域における風力タービンのブレード凍結を検出する課題に取り組む。凍結により年間最大25％のエネルギー損失が生じる。
• 高価でエネルギー集約的で、機械的・信頼性上の問題を抱える物理的凍結センサーの限界を克服する。
• 物理的センサーの設置を必要とせず、標準的な SCADA センサーを用いたデータ駆動型で実装可能な異常検出モデルを開発する。
• 多変量時系列信号における複雑なチャネルワイド相関関係とマルチスケール時間的ダイナミクスを捉える。
• 運用中の風力発電所に適した、ロバストでリアルタイム対応可能なモデルを設計する。

提案手法

• 多変量 SCADA シグナルを複数スケールにわたり近似係数と詳細係数に分解するため、離散ウェーブレット変換（DWT）を適用し、マルチスケール表現を強化する。
• 各ウェーブレットスケールにおける多変量信号間のグローバルなチャネルワイド相関関係を学習するため、畳み込みエンコーダーを用いる。
• 各スケール内での時間的依存関係をモデル化し、複雑な順序パターンを捉えるために、LSTM エンコーダーを用いる。
• 全スケールの最終隠れ状態を連結して、入力信号のグローバルな潜在表現を形成する。
• 対称的なアーキテクチャを用いてデコードする：全結合層でスケール固有の隠れ状態を初期化し、その後 LSTMs と逆畳み込み層を適用してウェーブレット詳細係数および元の信号を再構築する。
• 再構築誤差が大きいことで異常を検出できるように、再構築損失を用いてエンドツーエンドでオートエンコーダーを学習する。

実験結果

リサーチクエスチョン

• RQ1 物理的凍結センサーを用いずに、多変量 SCADA シグナルを分析することで、ディープオートエンコーダーのアーキテクチャがブレード凍結を効果的に検出できるか。
• RQ2 ウェーブレット分解が、風力タービン信号におけるマルチスケール時間的・周波数領域パターンの捉え方をどの程度向上させるか。
• RQ3 CNN-LSTM アーキテクチャの統合が、多変量時系列におけるチャネルワイド相関関係と時間的ダイナミクスのモデリングをどの程度改善するか。
• RQ4 実世界のブレード凍結検出シナリオにおいて、WaveletAE は最先端の時系列異常検出手法と比較してどの程度優れているか。
• RQ5 実際の SCADA データを用いた半教師ありおよび教師ありの異常検出設定において、モデルがどの程度一般化性能を発揮できるか。

主な発見

• WaveletAE は、実世界の SCADA データを用いたブレード凍結検出において、複数の最先端の時系列異常検出手法を上回っています。
• ウェーブレット詳細係数の統合により、凍結付加に関連する微細なマルチスケールパターンの検出能力が顕著に向上しています。
• CNN-LSTM エンコーダデコーダアーキテクチャは、多変量信号におけるチャネルワイド相関関係と複雑な時間的ダイナミクスを効果的に捉えています。
• 実世界のデータセットにおいて、半教師ありおよび教師ありの両方の異常検出設定で、強力な一般化性能を達成しています。
• シミュレートされた導入ケーススタディにより、WaveletAE が運用中の風力発電所におけるリアルタイム監視に耐えうるロバスト性と適性を確認しています。