[論文レビュー] p-DLA: A Predictive System Model for Onshore Oil and Gas Pipeline Dataset Classification and Monitoring - Part 1

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

Anomaly Detection Techniques and Applications参考文献 13被引用数 3

ひとこと要約

本論文は、陸上石油・ガスパイプラインデータセットの分類および監視を目的として、予測的でメモリ効率の良いモデルであるp-DLAを提案する。Deviant Learning Algorithmに基づくもので、高圧縮・低次元のメモリクラスタを用いることで、リアルタイムでのパターン認識と予測監視を可能にし、シミュレーション研究においてLSTMを上回る効率性と競争力のある正確性を示した。

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.

研究の動機と目的

• 武装勢力の活動や悪意ある行動に起因する、石油・ガス地域におけるパイプライン破壊や運用の中断の増加する脅威に対処する。
• パイプラインデータセットのリアルタイム分類およびパターン認識が可能な予測監視システムを開発する。
• 知的なデータ分析により、パイプラインの異常を早期に検出することで、運用上の損失を低減する。
• 産業用監視システム向けに、メモリ効率が良く、低次元の知識発見フレームワークを設計する。
• 従来の再帰ニューラルネットワークと比較して、スパース予測学習アプローチの優位性を実証する。

提案手法

• 逐次的なパイプラインデータからスパースメモリ予測クラスタを合成するDeviant Learning Algorithm（p-DLA）を提案する。
• 非常にスパースでサブ合成的アーキテクチャを用いて、高次元のパイプラインデータを低次元空間に圧縮・表現する。
• 逸脱パターンと通常の行動トレンドを特定する予測学習メカニズムを用いてp-DLAモデルを訓練する。
• LSTM（時系列モデリングのための標準的再帰ニューラルネットワーク）と比較してp-DLAの性能を評価する。
• 学習済みクラスタを活用したフィードバックベースの意思決定システムを実装し、リアルタイム監視とアラート生成を実現する。
• 異常検出（漏れ、圧力低下、不正アクセスなど）を目的として、陸上パイプラインデータセットにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 スパースでメモリ効率の良い予測モデルは、LSTMのような確立されたディープラーニングモデルを上回る性能を示せるか？
• RQ2 低次元の知識表現のサブ合成は、パイプラインデータセットからの重要なパターンを効果的に捉えられるか？
• RQ3 p-DLAモデルは、高い予測正確性を維持しながら、計算オーバーヘッドをどの程度低減できるか？
• RQ4 提案されたモデルは、深刻な故障に発展する前にパイプラインの異常兆候を早期に検出できるか？
• RQ5 p-DLAにおける逸脱学習メカニズムは、パイプライン運用におけるレアまたは異常イベントの検出をどの程度向上させるか？

主な発見

• p-DLAモデルは、LSTMと比較してパイプラインデータセットのパターン分類において競争力のある性能を示し、その予測能力を裏付けた。
• スパースメモリアーキテクチャのおかげで次元削減と計算負荷の大幅な低減が達成され、効率的なリアルタイム監視が可能になった。
• 知識クラスタのサブ合成により、複雑なパイプラインデータ系列の効果的な低次元表現が可能となった。
• シミュレーション結果から、p-DLAが逸脱パターンを効果的に検出できることを確認し、パイプラインの異常兆候に対する早期警告の可能性が示された。
• 最小限のトレーニングオーバーヘッドで時系列データを効果的に処理できることから、産業用途への適性が顕著に示された。
• 結果から、スパース予測学習は、パイプライン監視用途において密度の高い再帰ネットワークの代替手段として実用的である可能性がある。