[논문 리뷰] On-Line Condition Monitoring using Computational Intelligence

Christina B. Vilakazi, Tshilidzi Marwala외 2명|arXiv (Cornell University)|2007. 05. 16.

Advanced Computational Techniques and Applications참고 문헌 14인용 수 4

한 줄 요약

이 논문은 분해가스 분석을 기반으로 고장을 분류하기 위해 계산 지능 기법—특히 다층 퍼셉트론(MLP), 반경 기반 함수(RBF), 지지 벡터 기반 기계(SVM)—을 사용하는 온라인 상태 모니터링 프레임워크를 제안한다. MLP는 정확도와 학습 속도에서 RBF와 SVM를 모두 앞서며, 증분 학습 알고리즘이 신규 데이터에 실시간으로 적응할 수 있도록 해, 새로운 데이터와 고장 유형이 추가되었을 때 분류 정확도가 각각 67.5%에서 95.8%로, 60%에서 95.3%로 향상되었으며, 평균 의사결정 신뢰도는 0.92를 기록하였다.

ABSTRACT

This paper presents bushing condition monitoring frameworks that use multi-layer perceptrons (MLP), radial basis functions (RBF) and support vector machines (SVM) classifiers. The first level of the framework determines if the bushing is faulty or not while the second level determines the type of fault. The diagnostic gases in the bushings are analyzed using the dissolve gas analysis. MLP gives superior performance in terms of accuracy and training time than SVM and RBF. In addition, an on-line bushing condition monitoring approach, which is able to adapt to newly acquired data are introduced. This approach is able to accommodate new classes that are introduced by incoming data and is implemented using an incremental learning algorithm that uses MLP. The testing results improved from 67.5% to 95.8% as new data were introduced and the testing results improved from 60% to 95.3% as new conditions were introduced. On average the confidence value of the framework on its decision was 0.92.

연구 동기 및 목표

• 계산 지능 기법을 활용하여 실시간으로 적응 가능한 전력 부싱 상태 모니터링 시스템을 개발한다.
• 부싱 고장 탐지 및 분류에 있어 MLP, RBF, SVM 분류기의 성능을 비교한다.
• 새로 획득한 데이터와 새로운 고장 유형을 실시간으로 학습하고 적응할 수 있도록 시스템을 구현한다.
• 분해가스 분석(DGA) 데이터를 활용하여 진단 정확도와 의사결정 신뢰도를 향상시킨다.
• 진행 중인 데이터 변화에 대응할 수 있는 실시간 학습 프레임워크를 구현한다.

제안 방법

• 프레임워크는 두 단계 분류 방식을 사용한다: 먼저 부싱이 고장이 있는지 여부를 판단하고, 그 다음 고장 유형을 식별한다.
• 분류기의 입력 특징으로 부싱의 분해가스 분석(DGA) 데이터를 사용한다.
• 다층 퍼셉트론(MLP), 반경 기반 함수(RBF) 네트워크, 지지 벡터 기반 기계(SVM)를 DGA 데이터셋에서 학습하고 비교한다.
• MLP에 증분 학습 알고리즘을 적용하여 새로운 데이터와 새로운 고장 유형에 실시간으로 적응할 수 있도록 한다.
• 시스템은 들어오는 데이터를 기반으로 모델을 동적으로 업데이트하여 시간이 지남에 따라 일반화 능력과 정확도를 향상시킨다.
• 정확도, 학습 시간, 의사결정 신뢰도(평균 0.92)를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 온라인 부싱 상태 모니터링에 있어 MLP, RBF, SVM 분류기의 정확도와 학습 시간은 어떻게 비교되는가?
• RQ2 MLP 기반의 온라인 학습 프레임워크는 새로 획득한 데이터와 새로운 고장 유형에 효과적으로 적응할 수 있는가?
• RQ3 증분 학습은 시간이 지남에 따라 분류 정확도를 얼마나 향상시키는가?
• RQ4 시스템의 고장 분류 의사결정 평균 신뢰 수준은 얼마인가?
• RQ5 진행 중인 데이터 분포 변화를 실시간으로 처리하면서도 프레임워크는 높은 성능을 유지할 수 있는가?

주요 결과

• 테스트된 세 분류기 중에서 MLP가 가장 높은 정확도와 가장 빠른 학습 시간을 기록하였다.
• 증분 학습을 통해 새로운 데이터가 추가되면서 시스템의 테스트 정확도가 67.5%에서 95.8%로 향상되었다.
• 새로운 고장 조건이 추가되었을 때 정확도는 60%에서 95.3%로 상승하였다.
• 시스템 의사결정의 평균 신뢰도는 0.92로, 높은 신뢰성을 나타내었다.
• 증분 학습 접근법은 실시간으로 새로운 데이터와 새로운 고장 유형에 적응하는 데 성공하였다.
• 프레임워크는 동적인 온라인 모니터링 환경에서 뛰어난 확장성과 강건성을 입증하였다.