[논문 리뷰] WaveletFCNN: A Deep Time Series Classification Model for Wind Turbine Blade Icing Detection.

Binhang Yuan, Chen Wang외 4명|arXiv (Cornell University)|2019. 02. 14.

Anomaly Detection Techniques and Applications참고 문헌 47인용 수 26

한 줄 요약

이 논문은 다변량 시계열 데이터에서 풍력 터빈 블레이드의 얼음 발생을 탐지하기 위해 웨이블릿 변환과 완전 컨volution 신경망을 조합한 딥러닝 모델인 WaveletFCNN을 제안한다. 웨이블릿 계수를 통해 특징을 강화함으로써 WaveletFCNN는 UCR 시계열 기준 테스트에서 뛰어난 성능을 달성하며, 실시간 이상 탐지가 가능한 슬라이딩 윈도우 및 다수결 투표 기법을 통해 실제 풍력 발전소 데이터에서 실시간으로 작동할 수 있다.

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is plentiful and renewable. Data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this paper, we propose a novel classification-based anomaly detection system for icing detection of the wind turbine blades. We effectively combine the deep neural networks and wavelet transformation to identify such failures sequentially across the time. In the training phase, we present a wavelet based fully convolutional neural network (FCNN), namely WaveletFCNN, for the time series classification. We improve the original (FCNN) by augmenting features with the wavelet coefficients. WaveletFCNN outperforms the state-of-the-art FCNN for the univariate time series classification on the UCR time series archive benchmarks. In the detecting phase, we combine the sliding window and majority vote algorithms to provide the timely monitoring of the anomalies. The system has been successfully implemented on a real-world dataset from Goldwind Inc, where the classifier is trained on a multivariate time series dataset and the monitoring algorithm is implemented to capture the abnormal condition on signals from a wind farm.

연구 동기 및 목표

• 풍력 터빈 블레이드의 얼음 발생은 효율성을 떨어뜨리고 유지보수 비용을 증가시키는 심각한 고장 유형이므로, 이를 탐지하는 데 도전하는 것.
• 이상 탐지 맥락에서 단변량 및 다변량 신호에 대한 시계열 분류 성능을 향상시키는 것.
• 스트리밍 센서 데이터를 이용해 얼음 발생 조건을 적시에 탐지할 수 있는 실시간 모니터링 시스템을 개발하는 것.
• Goldwind Inc.의 실제 데이터를 기반으로 모델을 검증하여 산업용 풍력 발전소에서의 실용적 적용 가능성을 입증하는 것.

제안 방법

• 제안된 WaveletFCNN 모델은 시계열을 근사 및 세부 계수로 분해하기 위해 이산 웨이블릿 변환(DWT)을 통합하여, 더 나은 표현을 위한 입력 특징을 풍부하게 한다.
• 완전 컨volution 신경망(FCNN)을 사용하여 계층적인 시간 패턴을 추출하는 엔드 투 엔드 시계열 분류를 수행한다.
• 웨이블릿 계수를 원본 입력 시퀀스와 연결하여 특징 공간을 확장함으로써, 얼음 발생과 같은 일시적인 이상 패턴에 대한 모델의 민감도를 향상시킨다.
• 실시간으로 순차적 데이터를 처리하기 위해 슬라이딩 윈도우 기법을 적용하여 터빈 상태의 지속적인 모니터링을 가능하게 한다.
• 겹치는 윈도우 간의 다수결 알고리즘을 사용하여 잡음에 의한 잘못된 경고를 줄이고 탐지 신뢰도를 향상시킨다.
• 모델는 Goldwind Inc.의 풍력 발전소에서의 다변량 시계열 데이터를 기반으로 훈련되었으며, 다양한 운영 파rameter의 센서 데이터를 통합하였다.

실험 결과

연구 질문

• RQ1 웨이블릿 기반 특징 강화는 풍력 터빈 얼음 탐지에 대한 완전 컨볼루션 신경망의 시계열 분류 성능을 향상시키는가?
• RQ2 WaveletFCNN는 표준 UCR 시계열 분류 기준 테스트에서 최신 기술의 FCNN 모델들과 비교해 어떻게 성능을 내는가?
• RQ3 제안된 시스템은 스트리밍 다변량 센서 데이터를 이용해 실시간으로 블레이드의 얼음 발생을 어느 정도 탐지할 수 있는가?
• RQ4 슬라이딩 윈도우와 다수결 알고리즘의 조합은 이상 탐지 중 잡음으로 인한 잘못된 경고를 어느 정도 줄이는가?

주요 결과

• WaveletFCNN는 UCR 시계열 분류 기준 테스트에서 원본 FCNN를 능가하며, 웨이블릿 강화 특징 학습 덕분에 정확도가 향상됨을 입증하였다.
• 웨이블릿 계수의 통합은 시계열 데이터에서 미세하고 초기 단계의 얼음 패턴을 탐지하는 데 모델의 능력을 크게 향상시켰다.
• 실시간 모니터링 시스템은 Goldwind Inc. 데이터셋에서 비정상 상태를 성공적으로 식별하여 실용적 구현 가능성을 입증하였다.
• 슬라이딩 윈도우와 다수결 투표 파이프라인은 실세계 운영 환경에서 잡음에 의한 잘못된 경고를 줄여 탐지 신뢰도를 높였다.