[논문 리뷰] XAI4Wind: A Multimodal Knowledge Graph Database for Explainable Decision Support in Operations & Maintenance of Wind Turbines

Joyjit Chatterjee, Nina Dethlefs|arXiv (Cornell University)|2020. 12. 18.

Advanced Graph Neural Networks참고 문헌 44인용 수 5

한 줄 요약

XAI4Wind는 SCADA 데이터, 정비 매뉴얼, 이미지, 자연어 기반 작업을 통합한 다중모달 지식 그래프 데이터베이스를 제안하여 풍력 터빈 운영 및 정비(O&M)에서 설명 가능하고 투명한 의사결정 지원을 가능하게 한다. 설명 가능한 AI 예측을 실행 가능한 정비 전략과 연결함으로써 인간이 이해할 수 있는 O&M 권고사항을 제공함으로써 블랙박스 AI 모델에 대한 신뢰를 높이고, 자율적이고 투명한 의사결정을 위한 공개 가능한 자원을 제공한다.

ABSTRACT

Condition-based monitoring (CBM) has been widely utilised in the wind industry for monitoring operational inconsistencies and failures in turbines, with techniques ranging from signal processing and vibration analysis to artificial intelligence (AI) models using Supervisory Control & Acquisition (SCADA) data. However, existing studies do not present a concrete basis to facilitate explainable decision support in operations and maintenance (O&M), particularly for automated decision support through recommendation of appropriate maintenance action reports corresponding to failures predicted by CBM techniques. Knowledge graph databases (KGs) model a collection of domain-specific information and have played an intrinsic role for real-world decision support in domains such as healthcare and finance, but have seen very limited attention in the wind industry. We propose XAI4Wind, a multimodal knowledge graph for explainable decision support in real-world operational turbines and demonstrate through experiments several use-cases of the proposed KG towards O&M planning through interactive query and reasoning and providing novel insights using graph data science algorithms. The proposed KG combines multimodal knowledge like SCADA parameters and alarms with natural language maintenance actions, images etc. By integrating our KG with an Explainable AI model for anomaly prediction, we show that it can provide effective human-intelligible O&M strategies for predicted operational inconsistencies in various turbine sub-components. This can help instil better trust and confidence in conventionally black-box AI models. We make our KG publicly available and envisage that it can serve as the building ground for providing autonomous decision support in the wind industry.

연구 동기 및 목표

• 자동화된 권고사항에 대한 설명 가능하고 맥락 인식 의사결정 지원의 부족을 해결하기 위해.
• 상태 기반 모니터링(CBM)에서 블랙박스 AI 모델의 한계를 극복하기 위해 인간이 이해할 수 있는 정비 전략을 제공하기 위해.
• SCADA 파라미터, 경고 로그, 자연어 정비 작업, 이미지와 같은 이질적인 데이터 소스를 통합한 통합된 다중모달 지식 그래프를 개발하기 위해.
• 실제 사례 기반으로 상호작용 쿼리, 추론, 설명 가능한 AI(XAI) 모델과의 통합을 통해 지식 그래프의 유용성을 입증하기 위해.
• 풍력 에너지 분야에서 자율적이고 설명 가능한 의사결정 지원을 위한 공개 가능하고 재사용 가능한 기초 자원을 구축하기 위해.

제안 방법

• RDF/OWL 표준을 사용하여 풍력 터빈 구성 요소, SCADA 파라미터, 경고, 고장 기술, 정비 작업을 모델링하는 다중모달 지식 그래프(KG)를 설계하기 위해.
• Skillwind 정비 매뉴얼, ORE Catapult의 Levenmouth Demonstration Turbine(LDT) SCADA 데이터셋, 고장 이미지에서 도메인 특화 데이터를 수집하고 구조화하기 위해.
• 예측된 이상 현상(예: 피치 시스템 고장)을 특정 맥락 인식 정비 작업으로 매핑하기 위해 지식 그래프를 설명 가능한 AI(XAI) 모델과 통합하기 위해.
• 실패 빈도, 정비 재발, 구성 요소 상호의존성와 같은 새로운 통찰을 도출하기 위해 그래프 데이터 과학 알고리즘을 적용하기 위해.
• 정비 엔지니어가 고장 이력, 정비 일정, 권고 조치를 탐색할 수 있도록 상호작용 가능한 쿼리 인터페이스를 구현하기 위해.
• 모든 풍력 터빈의 SCADA 데이터와 호환 가능하고, 낮은 데이터 환경에서의 전이 학습에 적응 가능한 방식으로 확장성을 확보하기 위해 KG를 설계하기 위해.

실험 결과

연구 질문

• RQ1 SCADA 파라미터, 경고 로그, 자연어 정비 작업, 이미지와 같은 이질적인 데이터 소스를 효과적으로 통합하여 풍력 터빈의 설명 가능한 O&M를 위한 다중모달 지식 그래프를 어떻게 설계할 수 있는가?
• RQ2 XAI 통합 지식 그래프는 예측된 터빈 고장에 대해 인간이 이해할 수 있고 실행 가능한 정비 권고사항을 어느 정도 제공할 수 있는가?
• RQ3 도메인 특화 지식 그래프를 대상으로 그래프 데이터 과학을 적용하여 고장 패턴과 정비 일정에 대한 새로운 통찰은 무엇인가?
• RQ4 제안된 지식 그래프는 다양한 풍력 터빈 모델과 운영 환경에서 자율적이고 설명 가능한 의사결정 지원을 위한 일반적이고 재사용 가능한 기초 자원으로 기능할 수 있는가?
• RQ5 설명 가능한 AI(XAI) 모델을 구조화된 지식 기반과 통합함으로써 AI 기반 O&M 의사결정의 신뢰도와 투명도는 어떻게 향상되는가?

주요 결과

• XAI4Wind 지식 그래프는 SCADA 데이터, 정비 매뉴얼, 고장 이미지를 하나의 쿼리 가능하고 확장 가능한 다중모달 지식 기반으로 성공적으로 통합하였다.
• KG는 '피치 재조임' (매 12개월마다) 및 '배터리 교체' (매 48개월마다)와 같은 정비 작업을 포함한 정비 조치를 상호작용적이고 자동으로 검색할 수 있도록 하였다.
• 그래프 데이터 과학 알고리즘이 실패 재발 패턴과 구성 요소 수준의 정비 빈도와 같은 실행 가능한 통찰을 도출하여 사전 정비 계획 수립을 지원하였다.
• XAI 모델과의 통합을 통해 예측된 이상 현상(예: 피치 시스템 고장)을 특정 맥락 인식 정비 조치로 매핑할 수 있었으며, 이는 모델의 해석 가능성 향상에 기여하였다.
• 시스템은 확장성과 재사용성을 입증하였으며, 어떤 풍력 터빈이라도 그 SCADA 데이터를 통합함으로써 재학습 없이 적용 가능하였다.
• GitHub에 공개된 지식 그래프(http://github.com/joyjitchatterjee/XAI4Wind)는 향후 풍력 에너지 분야에서 자율적이고 설명 가능한 O&M 연구를 위한 기초 자원을 제공한다.