[論文レビュー] WaveletFCNN: A Deep Time Series Classification Model for Wind Turbine Blade Icing Detection.

Binhang Yuan, Chen Wang+4 more|arXiv (Cornell University)|Feb 14, 2019

Anomaly Detection Techniques and Applications参考文献 47被引用数 26

ひとこと要約

本稿では、多変量時系列データからの風力タービンブレードの凍結を検出するため、ウェーブレット変換と完全畳み込みニューラルネットワーク（FCNN）を組み合わせた深層学習モデル、WaveletFCNNを提案する。ウェーブレット係数による特徴強化により、WaveletFCNNはUCR時系列ベンチマークで優れた性能を発揮し、実世界の風力発電所データにおけるスライディングウィンドウおよび多数決手法を用いたリアルタイム異常検出を可能にする。

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is plentiful and renewable. Data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this paper, we propose a novel classification-based anomaly detection system for icing detection of the wind turbine blades. We effectively combine the deep neural networks and wavelet transformation to identify such failures sequentially across the time. In the training phase, we present a wavelet based fully convolutional neural network (FCNN), namely WaveletFCNN, for the time series classification. We improve the original (FCNN) by augmenting features with the wavelet coefficients. WaveletFCNN outperforms the state-of-the-art FCNN for the univariate time series classification on the UCR time series archive benchmarks. In the detecting phase, we combine the sliding window and majority vote algorithms to provide the timely monitoring of the anomalies. The system has been successfully implemented on a real-world dataset from Goldwind Inc, where the classifier is trained on a multivariate time series dataset and the monitoring algorithm is implemented to capture the abnormal condition on signals from a wind farm.

研究の動機と目的

• 風力タービンブレードの凍結は、効率低下と保守コスト増加を引き起こす深刻な故障モードであるため、その検出に取り組む。
• 異常検出の文脈において、単変量および多変量信号の時系列分類性能を向上させる。
• ストリーミングセンサデータを用いて、凍結状態をタイムリーに検出可能なリアルタイム監視システムを開発する。
• Goldwind Inc.の実データを用いてモデルを検証し、産業用風力発電所における実用的応用可能性を示す。

提案手法

• 提案されたWaveletFCNNモデルは、離散ウェーブレット変換（DWT）を統合し、時系列を近似係数と詳細係数に分解することで、特徴表現の向上を図る入力特徴の強化を実現する。
• 完全畳み込みニューラルネットワーク（FCNN）を用いてエンドツーエンドの時系列分類を実現し、カーネル畳み込みにより階層的な時系列パターンを抽出する。
• ウェーブレット係数を元の入力シーケンスに連結することで特徴空間を拡張し、凍結発症のような一時的で微細な異常への感受性を向上させる。
• スライディングウィンドウ手法を適用して時系列データをリアルタイムに処理し、タービン健全性の継続的モニタリングを可能にする。
• 重複するウィンドウ間で多数決アルゴリズムを用いることで、誤検出を低減し、検出の信頼性を向上させる。
• モデルはGoldwind Inc.の風力発電所から得た多変量時系列データで学習され、複数の運用パrameterからのセンサデータが統合されている。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースの特徴強化は、風力タービンの凍結検出を目的とした完全畳み込みニューラルネットワークの時系列分類性能を向上させるか？
• RQ2 WaveletFCNNは、標準的なUCR時系列分類ベンチマークにおいて、最先端のFCNNモデルと比較してどのように異なるか？
• RQ3 提案されたシステムは、ストリーミング多変量センサデータを用いて、実際にブレードの凍結をリアルタイムで検出できるか？
• RQ4 スライディングウィンドウと多数決の組み合わせは、異常検出におけるノイズ由来の誤検出をどの程度低減できるか？

主な発見

• WaveletFCNNはUCR時系列分類ベンチマークで元のFCNNを上回り、ウェーブレット強化特徴学習による精度向上を実証した。
• ウェーブレット係数の統合により、時系列データにおける微細で初期段階の凍結パターンの検出能力が顕著に向上した。
• リアルタイム監視システムはGoldwind Inc.のデータセットにおいて異常状態を正常に同定し、実用的導入可能性を検証した。
• スライディングウィンドウと多数決パイプラインにより、実運用環境におけるノイズ由来の誤検出が低減され、検出の信頼性が向上した。