[논문 리뷰] p-DLA: A Predictive System Model for Onshore Oil and Gas Pipeline Dataset Classification and Monitoring - Part 1

Emmanuel N. Osegi|arXiv (Cornell University)|2016. 12. 31.

Anomaly Detection Techniques and Applications참고 문헌 13인용 수 3

한 줄 요약

이 논문은 해안 기름 및 가스 파이프라인 데이터셋을 분류하고 모니터링하기 위한 Deviant Learning Algorithm 기반의 희박하고 메모리 효율적인 예측 시스템 모델인 p-DLA를 소개한다. 이 모델은 실시간 패턴 인식과 예측 모니터링을 가능하게 하기 위해 고도로 압축된 저차원 메모리 클러스터를 사용하며, 시뮬레이션 연구에서 LSTM보다 성능이 뛰어나면서도 효율성이 향상되고 파이프라인 이상 징후 탐지에 경쟁력 있는 정확도를 보인다.

ABSTRACT

With the rise in militant activity and rogue behaviour in oil and gas regions around the world, oil pipeline disturbances is on the increase leading to huge losses to multinational operators and the countries where such facilities exist. However, this situation can be averted if adequate predictive monitoring schemes are put in place. We propose in the first part of this paper, an artificial intelligence predictive monitoring system capable of predictive classification and pattern recognition of pipeline datasets. The predictive system is based on a highly sparse predictive Deviant Learning Algorithm (p-DLA) designed to synthesize a sequence of memory predictive clusters for eventual monitoring, control and decision making. The DLA (p-DLA) is compared with a popular machine learning algorithm, the Long Short-Term Memory (LSTM) which is based on a temporal version of the standard feed-forward back-propagation trained artificial neural networks (ANNs). The results of simulations study show impressive results and validates the sparse memory predictive approach which favours the sub-synthesis of a highly compressed and low dimensional knowledge discovery and information prediction scheme. It also shows that the proposed new approach is competitive with a well-known and proven AI approach such as the LSTM.

연구 동기 및 목표

• 폭력적 활동과 비정상적 행동으로 인한 기름 및 가스 지역에서의 파이프라인 훼손 및 운영 장애 증가에 대응하기 위해.
• 파이프라인 데이터셋의 실시간 분류 및 패턴 인식이 가능한 예측 모니터링 시스템을 개발하기 위해.
• 지능적인 데이터 분석을 통해 파이프라인 방해 요소를 조기에 탐지함으로써 운영 손실을 줄이기 위해.
• 산업용 모니터링 시스템을 위한 메모리 효율적이고 저차원의 지식 발견 프레임워크를 설계하기 위해.
• 기존 순환 신경망에 비해 희박한 예측 학습 접근 방식이 파이프라인 모니터링 과제에서 우수한 성능을 보임을 입증하기 위해.

제안 방법

• 순차적인 파이프라인 데이터에서 희박한 메모리 예측 클러스터를 합성하는 Deviant Learning Algorithm(p-DLA)을 제안한다.
• 고도로 희박한, 부분 합성 아키텍처를 활용하여 고차원 파이프라인 데이터를 저차원 공간에 압축하고 표현한다.
• 이상 패턴과 정상 행동 추세를 식별하는 예측 학습 메커니즘을 사용하여 p-DLA 모델을 훈련시킨다.
• 장기적 단기 기억(LSTM)과의 성능 비교를 통해 시간적 순서 모델링을 위한 표준 순환 신경망의 성능을 평가한다.
• 학습된 클러스터를 활용하여 실시간 모니터링 및 경고 생성을 위한 피드백 기반 의사결정 시스템을 구현한다.
• 누출, 압력 감소 또는 무단 접근과 같은 이상 징후를 탐지하기 위해 모델을 해안 파이프라인 데이터셋에 적용한다.

실험 결과

연구 질문

• RQ1 희박하고 메모리 효율적인 예측 모델이 LSTM과 같은 기존 딥러닝 모델보다 파이프라인 이상을 분류하는 데서 뛰어난 성능을 보일 수 있는가?
• RQ2 저차원 지식 표현의 부분 합성 기법이 파이프라인 데이터셋으로부터 핵심 패턴을 효과적으로 포착하는 데 얼마나 효과적인가?
• RQ3 p-DLA 모델은 예측 정확도를 유지하면서도 얼마나 많은 계산 오버헤드를 줄일 수 있는가?
• RQ4 제안된 모델은 심각한 고장으로 악화되기 전에 파이프라인 방해의 조기 징후를 탐지할 수 있는가?
• RQ5 p-DLA의 이심 학습 메커니즘은 파이프라인 운영에서 드문 또는 비정상적인 사건 탐지에 어떻게 기여하는가?

주요 결과

• p-DLA 모델은 파이프라인 데이터셋 패턴 분류에서 LSTM과 비교해 경쟁적인 성능을 달성하여 그 예측 능력을 입증했다.
• 희박한 메모리 아키텍처는 차원 수를 크게 줄이고 계산 부담을 감소시켜 효율적인 실시간 모니터링을 가능하게 했다.
• 지식 클러스터의 부분 합성 기법을 통해 복잡한 파이프라인 데이터 시퀀스의 효과적인 저차원 표현이 가능했다.
• 시뮬레이션 결과는 p-DLA가 이심 패턴을 효과적으로 탐지함을 확인하여 파이프라인 방해의 조기 경고 잠재력을 보여주었다.
• 모델는 최소한의 훈련 오버헤드로 시간적 데이터를 효과적으로 처리하는 데 뛰어난 강건성을 보였으며, 산업 현장 적용에 적합함을 시사했다.
• 결과적으로 희박한 예측 학습은 파이프라인 모니터링 응용 분야에서 밀도 높은 순환 네트워크의 실질적인 대안이 될 수 있음을 시사한다.