[논문 리뷰] WaveletAE: A Wavelet-enhanced Autoencoder for Wind Turbine Blade Icing Detection

Binhang Yuan, Chen Wang외 5명|arXiv (Cornell University)|2019. 02. 14.

Anomaly Detection Techniques and Applications참고 문헌 60인용 수 12

한 줄 요약

WaveletAE는 다중 스케일 시간 도메인 및 주파수 도메인 패턴을 다변량 SCADA 시계열에서 포착하기 위해 이산 웨이블릿 변환을 활용하는 웨이블릿 강화 오토인코더입니다. CNN-LSTM 인코더-디코더 아키텍처에 웨이블릿 세부 계수를 통합함으로써 실제 데이터에서 최신 기술 대비 뛰어난 성능을 보이며, 준지도 및 지도 학습 설정 모두에서 뛰어난 탐지 정확도를 달성합니다.

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is abundant and inexhaustible. To fully utilize wind power, wind farms are usually located in areas of high altitude and facing serious ice conditions, which can lead to serious consequences. Quick detection of blade ice accretion is crucial for the maintenance of wind farms. Unlike traditional methods of installing expensive physical detectors on wind blades, data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this work, we propose a wavelet enhanced autoencoder model (WaveletAE) to identify wind turbine dysfunction by analyzing the multivariate time series monitored by the SCADA system. WaveletAE is enhanced with wavelet detail coefficients to enforce the autoencoder to capture information from multiple scales, and the CNN-LSTM architecture is applied to learn channel-wise and temporal-wise relations. The empirical study shows that the proposed model outperforms other state-of-the-art time series anomaly detection methods for real-world blade icing detection.

연구 동기 및 목표

• 고도가 높고 눈이 많이 오는 지역에서 얼음 쌓임으로 인해 연간 에너지 손실이 최대 25%에 이르는 상황에서 풍력 터빈 블레이드의 얼음 쌓임을 탐지하는 도전 과제를 해결합니다.
• 비용이 많이 들고 에너지를 많이 소비하며 기계적 고장 및 신뢰성 문제에 취약한 물리적 얼음 감지기의 한계를 극복합니다.
• 물리적 센서 설치가 필요 없이 표준 SCADA 센서를 이용한 데이터 기반, 구현 가능한 이상 탐지 모델을 개발합니다.
• 정확한 얼음 쌓임 탐지를 위해 다변량 시계열 신호의 복잡한 채널 간 상관관계와 다중 스케일 시간 동적 특성을 포착합니다.
• 실제 운영 풍력 발전소에 구현 가능한 안정적이고 실시간 처리가 가능한 모델을 설계합니다.

제안 방법

• 다변량 SCADA 신호를 다중 스케일에서 근사 계수와 세부 계수로 분해하기 위해 이산 웨이블릿 변환(DWT)을 적용하여 다중 스케일 표현을 향상시킵니다.
• 각 웨이블릿 스케일에서 다변량 신호 간의 전반적인 채널 간 상관관계를 학습하기 위해 컨volutional 인코더를 사용합니다.
• 각 스케일 내에서 시간적 의존성과 복잡한 순차적 패턴을 모델링하기 위해 LSTM 인코더를 활용합니다.
• 모든 스케일의 최종 은닉 상태를 연결하여 입력 신호의 전반적인 잠재 표현을 형성합니다.
• 대칭적인 아키텍처를 사용하여 디코딩: 각 스케일 전용 은닉 상태를 완전히 연결된 레이어를 통해 초기화한 후, LSTM과 역전치 컨볼루션 레이어를 적용하여 웨이블릿 세부 계수와 원본 신호를 재구성합니다.
• 재구성 오차가 높은 경우 이상 현상으로 간주하기 위해 재구성 손실을 사용하여 오토인코더를 엔드 투 엔드로 훈련합니다.

실험 결과

연구 질문

• RQ1 물리적 얼음 센서 없이 다변량 SCADA 신호를 분석함으로써 딥 오토인코더 아키텍처가 블레이드의 얼음 쌓임을 효과적으로 탐지할 수 있는가?
• RQ2 웨이블릿 분해가 풍력 터빈 신호의 다중 스케일 시간 도메인 및 주파수 도메인 패턴을 포착하는 데 모델 성능에 얼마나 기여하는가?
• RQ3 CNN-LSTM 아키텍처의 통합이 다변량 시계열에서 채널 간 상관관계와 시간 동적 특성을 모델링하는 데 얼마나 효과적인가?
• RQ4 실제 블레이드 얼음 쌓임 탐지 시나리오에서 WaveletAE는 최신 기술 대비 시간 시리즈 이상 탐지 방법과 비교해 어떤가?
• RQ5 실제 SCADA 데이터를 사용한 준지도 및 지도 학습 이상 탐지 설정에서 모델이 효과적으로 일반화될 수 있는가?

주요 결과

• WaveletAE는 실제 SCADA 데이터에서 블레이드 얼음 쌓임 탐지에 있어 여러 최신 기술 대비 뛰어난 성능을 보입니다.
• 웨이블릿 세부 계수의 통합은 얼음 침착과 관련된 미세한 다중 스케일 패턴을 탐지하는 데 모델의 능력을 크게 향상시킵니다.
• CNN-LSTM 인코더-디코더 아키텍처는 다변량 신호에서 채널 간 상관관계와 복잡한 시간 동적 특성을 효과적으로 포착합니다.
• 실제 데이터셋에서 준지도 및 지도 학습 이상 탐지 설정 모두에서 모델은 강력한 일반화 성능을 달성합니다.
• 모의 구현 사례 연구를 통해 WaveletAE가 운영 풍력 발전소에서 실시간 모니터링에 적합하고 뛰어난 안정성을 확보하고 있음을 확인했습니다.