[論文レビュー] XAI4Wind: A Multimodal Knowledge Graph Database for Explainable Decision Support in Operations & Maintenance of Wind Turbines

Joyjit Chatterjee, Nina Dethlefs|arXiv (Cornell University)|Dec 18, 2020

Advanced Graph Neural Networks参考文献 44被引用数 5

ひとこと要約

XAI4Wind は、SCADA データ、保守マニュアル、画像、自然言語による保守作業を統合したマルチモーダル知識グラフデータベースを提案する。これにより、風力タービンの運用保守（O&M）における説明可能な意思決定支援が可能になる。説明可能なAIの予測を、実行可能な保守戦略と結びつけることで、人間が理解可能なO&Mの推奨事項を提供し、ブラックボックスAIモデルに対する信頼を高めるとともに、風力エネルギー分野における自律的かつ透明な意思決定支援のための公開リソースを提供する。

ABSTRACT

Condition-based monitoring (CBM) has been widely utilised in the wind industry for monitoring operational inconsistencies and failures in turbines, with techniques ranging from signal processing and vibration analysis to artificial intelligence (AI) models using Supervisory Control & Acquisition (SCADA) data. However, existing studies do not present a concrete basis to facilitate explainable decision support in operations and maintenance (O&M), particularly for automated decision support through recommendation of appropriate maintenance action reports corresponding to failures predicted by CBM techniques. Knowledge graph databases (KGs) model a collection of domain-specific information and have played an intrinsic role for real-world decision support in domains such as healthcare and finance, but have seen very limited attention in the wind industry. We propose XAI4Wind, a multimodal knowledge graph for explainable decision support in real-world operational turbines and demonstrate through experiments several use-cases of the proposed KG towards O&M planning through interactive query and reasoning and providing novel insights using graph data science algorithms. The proposed KG combines multimodal knowledge like SCADA parameters and alarms with natural language maintenance actions, images etc. By integrating our KG with an Explainable AI model for anomaly prediction, we show that it can provide effective human-intelligible O&M strategies for predicted operational inconsistencies in various turbine sub-components. This can help instil better trust and confidence in conventionally black-box AI models. We make our KG publicly available and envisage that it can serve as the building ground for providing autonomous decision support in the wind industry.

研究の動機と目的

• 自動推奨事項を含め、風力タービンの運用保守（O&M）における説明可能で文脈に配慮した意思決定支援の不足に対処すること。
• 状態監視（CBM）におけるブラックボックスAIモデルの限界を克服し、人間が理解できる保守戦略を提供すること。
• SCADAパラメータ、アラームログ、自然言語による保守作業、画像といった異種データソースを統合する統一されたマルチモーダル知識グラフの開発。
• インタラクティブな照会、推論、および説明可能なAI（XAI）モデルとの統合を含む、実世界のユースケースを通じて知識グラフの有効性を実証すること。
• 風力エネルギー分野における自律的で説明可能な意思決定支援のための、公開可能で再利用可能な基盤を確立すること。

提案手法

• RDF/OWL標準を用いて、風力タービン部品、SCADAパラメータ、アラーム、故障記述、保守作業をモデル化するマルチモーダル知識グラフ（KG）の設計。
• Skillwindの保守マニュアル、ORE CatapultのLevenmouth Demonstration Turbine（LDT）SCADAデータセット、故障画像から得られるドメイン固有のデータをインジェストし、構造化すること。
• XAIモデルとKGを統合し、予測された異常（例：ピッチシステムの故障）を、特定の文脈に配慮した保守作業にマッピングすること。
• グラフデータサイエンスアルゴリズムを適用し、故障頻度、保守の繰り返し、部品間の依存関係といった新たなインサイトを導出すること。
• O&Mエンジニアが故障履歴、保守スケジュール、推奨される作業を探索できるインタラクティブな照会インターフェースを実装すること。
• SCADAデータが任意の風力タービンからでも取り込めるようにし、低データ環境における転移学習に対応できるように、拡張性を確保すること。

実験結果

リサーチクエスチョン

• RQ1 SCADAパラメータ、アラームログ、自然言語による保守作業、画像といった異種データソースを、風力タービンの説明可能なO&Mに効果的に統合するマルチモーダル知識グラフは、どのように実現できるか？
• RQ2 XAI統合知識グラフは、予測されたタービン故障に対して、人間が理解できる実行可能な保守推奨事項をどの程度提供できるか？
• RQ3 ドメイン固有の知識グラフ上でグラフデータサイエンスを適用することで、故障パターンや保守スケジューリングに関するどのような新たなインサイトが得られるか？
• RQ4 提案された知識グラフは、多様な風力タービンモデルや運用状況において、汎用的かつ再利用可能な基盤として機能できるか？
• RQ5 XAIモデルと構造化された知識ベースを統合することで、AI駆動のO&M意思決定における信頼性と透明性はどの程度向上するか？

主な発見

• XAI4Wind知識グラフは、SCADAデータ、保守マニュアル、故障画像を1つの照会可能で拡張可能なマルチモーダル知識ベースに効果的に統合した。
• KGは、ピッチシステムの「ピッチボルト再締め」（12か月ごと）や「バッテリ交換」（48か月ごと）といった、是正および予防保守作業を、インタラクティブかつ自動的に取得可能にした。
• グラフデータサイエンスアルゴリズムにより、故障の再発パターンや部品レベルの保守頻度といった、実行可能なインサイトが明らかになった。これらは予防的O&M計画を支援する。
• XAIモデルと統合することで、システムは予測された異常（例：ピッチシステムの故障）を、特定の文脈に配慮した保守作業にマッピングでき、モデルの解釈可能性が向上した。
• システムはスケーラビリティと再利用性を示しており、特定のタービンのSCADAデータを統合するだけで、再訓練なしに他の風力タービンに適用可能である。
• GitHub上の公開されたKG（http://github.com/joyjitchatterjee/XAI4Wind）は、風力エネルギー分野における自律的で説明可能なO&M研究のための基盤リソースを提供している。