[논문 리뷰] Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data

Wenqian Jiang, Junyang Jin|arXiv (Cornell University)|2021. 01. 20.

Icing and De-icing Technologies참고 문헌 37인용 수 4

한 줄 요약

이 논문은 SCADA 데이터에서 풍력 터빈 블레이드의 얼음 발생을 탐지하기 위해 이중 단계 학습을 활용하고 병렬 GAN과 CNN 또는 도메인 적응을 사용하는 두 가지 딥러닝 프레임워크인 PGANC와 PGANT을 제안한다. 이 모델들은 특히 라벨이 부족한 경우에도 뛰어난 정확도와 일반화 능력을 보이며, AUC(최대 0.949)와 MCC 점수에서 기존의 CNN 및 기계학습 방법을 능가한다.

ABSTRACT

Diagnosis of ice accretion on wind turbine blades is all the time a hard nut to crack in condition monitoring of wind farms. Existing methods focus on mechanism analysis of icing process, deviation degree analysis of feature engineering. However, there have not been deep researches of neural networks applied in this field at present. Supervisory control and data acquisition (SCADA) makes it possible to train networks through continuously providing not only operation parameters and performance parameters of wind turbines but also environmental parameters and operation modes. This paper explores the possibility that using convolutional neural networks (CNNs), generative adversarial networks (GANs) and domain adaption learning to establish intelligent diagnosis frameworks under different training scenarios. Specifically, PGANC and PGANT are proposed for sufficient and non-sufficient target wind turbine labeled data, respectively. The basic idea is that we consider a two-stage training with parallel GANs, which are aimed at capturing intrinsic features for normal and icing samples, followed by classification CNN or domain adaption module in various training cases. Model validation on three wind turbine SCADA data shows that two-stage training can effectively improve the model performance. Besides, if there is no sufficient labeled data for a target turbine, which is an extremely common phenomenon in real industrial practices, the addition of domain adaption learning makes the trained model show better performance. Overall, our proposed intelligent diagnosis frameworks can achieve more accurate detection on the same wind turbine and more generalized capability on a new wind turbine, compared with other machine learning models and conventional CNNs.

연구 동기 및 목표

• 라벨이 부족한 상황에서도 정확하고 일반화된 풍력 터빈의 얼음 진단 문제를 해결하기 위해.
• 물리 모델에 의존하지 않고 SCADA 데이터를 통해 정상 상태 및 얼음 상태 특징을 엔드 투 엔드로 학습하기 위해.
• 다양한 운영 조건이 존재하더라도 다양한 풍력 터빈 간에 일반화 가능한 이식 가능한 프레임워크를 개발하기 위해.
• 제로샷 또는 피처샷 전이를 위해 GAN 기반 특징 학습과 도메인 적응을 융합하여 탐지 성능을 향상시키기 위해.
• 실제로 수집된 세 대의 풍력 터빈에서의 다양한 환경 및 운영 조건 하에서 모델을 검증하기 위해.

제안 방법

• PGANC: 정상 및 얼음 샘플에서 내재된 특징을 추출하기 위해 두 개의 병렬 GAN을 사용하는 이중 단계 프레임워크를 제안하며, 이를 다음 단계로 분류를 위한 CNN을 적용한다.
• PGANT: PGANC를 확장하여 대상 터빈에 대한 라벨이 부족한 경우 성능 향상을 위해 도메인 적응 학습을 추가한다.
• 두 가지 손실 함수를 사용: 도메인 정렬 손실(L_ms)은 MMD 기반이고, 도메인 불일치 손실(L_md)은 도메인 간 특징 분포의 정렬을 위해 사용된다.
• 운영 매개변수(예: 출력 전력, 로터 속도)와 환경 변수(예: 온도, 바람 속도)를 입력 특징으로 사용한다.
• 이중 단계 학습 프로세스를 적용: 첫 번째 단계에서는 GAN을 미리 훈련하여 분리된 표현을 학습하고, 두 번째 단계에서는 분류기 또는 도메인 적응 모듈을 미세 조정한다.
• AUC, F1 점수, MCC 등을 평가 지표로 사용하며, 불균형 데이터에서의 임계값을 낮추기 위해 부정적 예측을 최소화하는 데 중점을 둔다.

실험 결과

연구 질문

• RQ1 이중 단계 GAN 기반 프레임워크는 풍력 터빈의 SCADA 데이터에서 정상 상태와 얼음 상태를 구분하는 특징을 효과적으로 학습할 수 있는가?
• RQ2 라벨이 제한된 새로운 풍력 터빈으로 전이할 경우 도메인 적응이 모델의 일반화 능력을 어떻게 향상시키는가?
• RQ3 불균형한 SCADA 데이터에서 얼음 탐지에 있어 GAN 기반 특징 학습이 표준 CNN보다 미세한 패턴을 더 잘 포착하는가?
• RQ4 엔드 투 엔드 학습 대비 이중 단계 학습 전략이 모델 성능 향상과 훈련 효율성에 얼마나 기여하는가?
• RQ5 제안된 모델은 기존의 기계학습 모델(SVC, XGBoost 등)과 다른 딥러닝 기반 모델들과 비교해 교차 터빈 전이 학습에서 어떻게 성능을 냈는가?

주요 결과

• PGANC는 터빈 21에서 AUC 0.940, 터빈 8에서 AUC 0.933를 기록하여 세 대의 터빈에서 SVC, CNN 및 기타 기준 모델을 모두 능가했다.
• 이중 단계 학습(단계 2)은 단계 1보다 성능 향상이著명했으며, 터빈 15에서는 AUC가 최대 0.056 향상되었고, 터빈 8에서는 0.057 향상되었다.
• PGANT는 터빈 15-21에서 AUC 0.849, 터빈 21-8에서 AUC 0.800을 기록하여 교차 터빈 전이 학습에서 KNN, SVC, XGBoost 및 PGANC를 모두 능가했다.
• 제거 실험 결과, MMD 손실(L_ms 및 L_md)을 모두 포함한 PGANT가 가장 높은 MCC(0.769)와 AUC를 기록하여 소수의 클래스 예측 능력이 향상됨을 확인했다.
• 도메인 적응 없이도 PGANC는 기존의 모델보다 더 뛰어난 이식 가능성을 보였으며, GAN 기반 특징 학습의 강건성을 입증했다.
• 라벨이 5%일 때도 높은 성능을 유지했으며, PGANT는 터빈 21-8에서 AUC 0.949를 기록하여 데이터 부족 조건에서도 강력한 일반화 능력을 입증했다.