[논문 리뷰] Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data

Jyoti Rani, Tapas Tripura외 2명|arXiv (Cornell University)|2024. 01. 08.

Fault Detection and Control Systems인용 수 5

한 줄 요약

이 논문은 Wavelet Neural Operators와 GAN을 결합한 생성적 적대적 프레임워크인 GAWNO를 통해 다변 시계열의 결함을 탐지하고 격리하며, 산업 데이터셋에서 검증되었습니다.

ABSTRACT

Fault detection and isolation in complex systems are critical to ensure reliable and efficient operation. However, traditional fault detection methods often struggle with issues such as nonlinearity and multivariate characteristics of the time series variables. This article proposes a generative adversarial wavelet neural operator (GAWNO) as a novel unsupervised deep learning approach for fault detection and isolation of multivariate time series processes.The GAWNO combines the strengths of wavelet neural operators and generative adversarial networks (GANs) to effectively capture both the temporal distributions and the spatial dependencies among different variables of an underlying system. The approach of fault detection and isolation using GAWNO consists of two main stages. In the first stage, the GAWNO is trained on a dataset of normal operating conditions to learn the underlying data distribution. In the second stage, a reconstruction error-based threshold approach using the trained GAWNO is employed to detect and isolate faults based on the discrepancy values. We validate the proposed approach using the Tennessee Eastman Process (TEP) dataset and Avedore wastewater treatment plant (WWTP) and N2O emissions named as WWTPN2O datasets. Overall, we showcase that the idea of harnessing the power of wavelet analysis, neural operators, and generative models in a single framework to detect and isolate faults has shown promising results compared to various well-established baselines in the literature.

연구 동기 및 목표

• 산업 공정의 고차원 비선형 다변 시계열에서 결함 탐지 및 격리를 다룹니다.
• 정상 작동하에서 데이터의 기본 분포를 학습하여 이상 탐지를 가능하게 하는 프레임워크를 개발합니다.
• 웨이블릿 분석과 신경 연산자를 활용하여 시간적/공간적 의존성을 포착하고 일반화를 향상시킵니다.

제안 방법

• GAN 아키텍처 내에 Wavelet Neural Operators(WNO)를 통합한 Generative Adversarial Wavelet Neural Operator(GAWNO)를 구축합니다.
• U-Net에서 영감을 얻은 생성자와 판별자를 사용하되 둘 다 WNO이며 상승/하강 웨이블렛 적분 블록을 갖습니다.
• 다중 스케일 학습을 가능하게 하기 위해 이산 웨이블렛 변환을 통해 웨이블렛 공간에서 커널을 매개변수화합니다.
• 정상 작동 데이터로 GAN을 학습시켜 분포를 학습한 다음 재구성/임계값 대비 차이를 통해 결함을 탐지합니다.
• 판별기의 마지막 층에 적분 함수를 사용하여 함수 값 출력을 스칼라 확률로 매핑합니다.

실험 결과

연구 질문

• RQ1 GAWNO 프레임워크가 정상 시계열 데이터의 정확한 다변량 확률 분포를 학습할 수 있습니까?
• RQ2 GAWNO가 확립된 기준선과 비교하여 다변량 시계열에서 결함을 얼마나 효과적으로 탐지하고 격리합니까?
• RQ3 웨이블렛 기반 연산자 학습과 GAN 적대적 학습이 비선형 다변 동역학에서 결함 구분을 향상시킵니까?

주요 결과

• GAWNO는 GAN과 융합된 웨이블렛 신경 연산자를 사용하여 정상 작동하에서의 기본 분포를 학습합니다.
• 결함 탐지 및 격리는 정상 데이터로 학습된 임계값과의 재구성/차이로 수행됩니다.
• Tennessee Eastman Process (TEP) 및 WWTP N2O 데이터셋에 대한 검증은 기준선에 비해 유망한 결함 탐지/격리 성능을 보여줍니다.
• 이 프레임워크는 웨이블렛 로컬라이제이션을 활용하여 다변량 데이터의 시-주파수 및 공간 의존성을 모두 포착합니다.
• 아키텍처는 스킵 연결과 다중 해상도 웨이블렛 블록을 갖춘 깊고 메모리 효율적인 U-Net 스타일의 생성자/판별자를 사용합니다.
• 문헌상의 기준선과 비교하여, GAWNO는 테스트 데이터셋 전반에서 유망한 효능을 보입니다.