[논문 리뷰] Infrequent adverse event prediction in low carbon energy production using machine learning

Stefano Coniglio, Anthony J. Dunn외 1명|arXiv (Cornell University)|2020. 01. 19.

Fault Detection and Control Systems참고 문헌 19인용 수 5

한 줄 요약

이 논문은 저탄소 에너지 시스템에서 희귀 부정적 사건을 예측하기 위한 기계학습 프레임워크를 제안한다. 특히 혐기성 소화조에서의 거품 발생과原子력 발전소의 응축기 관 누출을 대상으로 하며, 문제를 불균형 분류 과제로 간주한다. 오버샘플링과 SVM, GNB와 같은 앙상블 분류기들을 활용하여, 24시간 전에 거품 발생을 최대 88.6%의 정확도로 예측함으로써 조치를 조기에 취하고 운영 비용을 절감할 수 있다.

ABSTRACT

We address the problem of predicting the occurrence of infrequent adverse events in the context of predictive maintenance. We cast the corresponding machine learning task as an imbalanced classification problem and propose a framework for solving it that is capable of leveraging different classifiers in order to predict the occurrence of an adverse event before it takes place. In particular, we focus on two applications arising in low-carbon energy production: foam formation in anaerobic digestion and condenser tube leakage in the steam turbines of a nuclear power station. The results of an extensive set of omputational experiments show the effectiveness of the techniques that we propose.

연구 동기 및 목표

• 희귀 부정적 사건이 발생하는 저탄소 에너지 생산 시스템을 대상으로 예측 유지보수 프레임워크를 개발한다.
• 거품 발생과 관 누출과 같은 희귀 사건을 예측할 때 발생하는 데이터 불균형 문제를 해결한다.
• 비용이 많이 드는 원료 슬러지 분석에 의존하지 않고도 운영 특성만을 이용해 부정적 사건을 조기에 탐지할 수 있도록 한다.
• 시스템 고장이 발생하기 전에 적시에 조치를 취할 수 있도록 함으로써 운영 비용을 절감한다.
• 혐기성 소화와 원자력 발전소의 실제 데이터를 기반으로 프레임워크를 검증한다.

제안 방법

• 역사적 운영 데이터를 활용하여 부정적 사건 예측을 불균형 분류 과제로 공식화한다.
• 학습 데이터의 클래스 불균형 문제를 해결하기 위해 오버샘플링 기법(예: SMOTE)을 적용한다.
• 여러 분류기(SVM, GNB, 랜덤 포레스트, XGBoost)를 사용하며, 경고 시간 창(ω)에 따라 성능을 평가한다.
• 사용자가 정의한 경고 창 ω를 통해 사건이 '사전 차단 가능'하다고 간주되는 시점을 정의한다.
• 모델의 일반화 능력을 평가하기 위해 5개의 교차 검증 블록을 사용한다.
• 정확도와 균형 잡힌 정확도를 사용하여 성능을 평가하며, 조기 경고 능력에 중점을 둔다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 운영 특성만을 사용하여 저탄소 에너지 시스템의 희귀 부정적 사건을 효과적으로 예측할 수 있는가?
• RQ2 오버샘플링 기법은 거품 발생과 관 누출과 같은 희귀 사건 예측 성능을 어떻게 향상시키는가?
• RQ3 조기 탐지와 모델 신뢰성의 균형을 고려할 때 최적의 경고 창(ω)은 무엇인가?
• RQ4 각 응용 분야에서 다양한 경고 시간대에서 가장 우수한 성능을 보이는 분류기는 무엇인가?
• RQ5 제안된 프레임워크는 적시 예방 유지보수를 가능하게 하여 운영 비용을 절감할 수 있는가?

주요 결과

• 혐기성 소화에서, 오버샘플링을 적용한 GNB 분류기는 24시간 전에 거품 발생을 예측할 때 평균 테스트 정확도가 88.6%에 도달했다.
• 오버샘플링을 적용한 SVM 분류기는 24시간 경고 창에서 거품 예측에 대해 평균 테스트 정확도 85.4%를 기록했다.
• 원자력 발전소의 경우, 오버샘플링을 적용한 SVM 분류기는 경고 창 ω=8일 때 6건의 관 누출 중 3건을 사전에 차단했으며, 블록당 균형 잡힌 정확도 ≥0.75를 달성했다.
• 경고 창을 12시간(ω=4)으로 단축시켜도 유사한 균형 잡힌 정확도를 유지하면서 6건 중 4건의 관 누출을 사전에 차단할 수 있었다.
• 원자력 발전 응용 분야에서, 더 긴 경고 창(ω > 36)에서는 GNB 분류기가 다른 분류기들보다 뛰어난 성능을 보였다.
• 프레임워크는 비용이 많이 드는 원료 슬러지 분석과 방거품제 사용에 대한 의존도를 줄이며, 운영 데이터만으로도 조기에 탐지할 수 있도록 한다.