[论文解读] Infrequent adverse event prediction in low carbon energy production using machine learning

Stefano Coniglio, Anthony J. Dunn+1 more|arXiv (Cornell University)|Jan 19, 2020

Fault Detection and Control Systems参考文献 19被引用 5

一句话总结

本文提出了一种机器学习框架，用于预测低碳能源系统中的罕见不良事件——具体为厌氧消化器中的泡沫化现象以及核电厂冷凝器管泄漏——将问题视为类别不平衡的分类任务。通过使用过采样技术和集成分类器（如SVM和GNB），该方法在提前24小时预测泡沫化方面实现了高达88.6%的准确率，从而能够及时采取预防措施并降低运行成本。

ABSTRACT

We address the problem of predicting the occurrence of infrequent adverse events in the context of predictive maintenance. We cast the corresponding machine learning task as an imbalanced classification problem and propose a framework for solving it that is capable of leveraging different classifiers in order to predict the occurrence of an adverse event before it takes place. In particular, we focus on two applications arising in low-carbon energy production: foam formation in anaerobic digestion and condenser tube leakage in the steam turbines of a nuclear power station. The results of an extensive set of omputational experiments show the effectiveness of the techniques that we propose.

研究动机与目标

• 开发一种用于低碳能源生产中罕见不良事件的预测性维护框架。
• 解决在预测如泡沫化和管泄漏等罕见事件时的数据类别不平衡问题。
• 仅基于运行特性实现不良事件的早期检测，避免依赖昂贵的进料污泥分析。
• 通过在系统故障前及时干预，降低运行成本。
• 在厌氧消化和核电厂的真实数据上验证该框架。

提出的方法

• 将不良事件预测建模为使用历史运行数据的类别不平衡分类问题。
• 应用数据过采样技术（如SMOTE）以解决训练数据中的类别不平衡问题。
• 采用多种分类器（SVM、GNB、随机森林、XGBoost），在不同预警时间窗口（ω）下进行评估。
• 使用用户定义的预警窗口ω来定义事件是否可被“提前干预”。
• 采用5折交叉验证以评估模型在不同数据块上的泛化能力。
• 使用准确率和平衡准确率评估性能，重点关注早期预警能力。

实验结果

研究问题

• RQ1 机器学习模型能否仅基于运行特性有效预测低碳能源系统中的罕见不良事件？
• RQ2 数据过采样在预测泡沫化和管泄漏等罕见事件时如何提升模型性能？
• RQ3 何种预警窗口（ω）能在早期检测与模型可靠性之间取得最佳平衡？
• RQ4 在不同预警时间范围内，哪种分类器在各项应用中表现最佳？
• RQ5 该框架能否通过实现及时的预防性维护来降低运行成本？

主要发现

• 在厌氧消化系统中，采用过采样技术的GNB分类器在提前24小时预测泡沫化时，平均测试准确率达到88.6%。
• 在泡沫化预测中，采用过采样技术的SVM分类器在24小时预警窗口下实现了85.4%的平均测试准确率。
• 在核电厂中，采用过采样技术的SVM分类器在ω=8（即24小时预警）时成功提前干预了6起管泄漏中的3起，每批次的平衡准确率均≥0.75。
• 将预警窗口缩短至12小时（ω=4）后，成功提前干预了6起中的4起管泄漏，且平衡准确率保持相近。
• 在核电厂应用中，对于更长的预警窗口（ω > 36），GNB分类器表现优于其他模型。
• 该框架仅依赖运行数据即可实现早期检测，减少了对昂贵的进料污泥分析和抗泡沫剂使用的依赖。