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

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

Advanced Graph Neural Networks参考文献 44被引用 5

一句话总结

XAI4Wind 提出了一种多模态知识图谱数据库，整合了 SCADA 数据、维护手册、图像和自然语言操作，以实现风力涡轮机运行与维护（O&M）中的可解释性决策支持。通过将可解释人工智能（XAI）的预测与可操作的维护策略关联，该系统提供人类可理解的 O&M 建议，增强对黑箱 AI 模型的信任，并为风能系统中自主、透明的决策制定提供公开可获取的资源。

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.

研究动机与目标

• 解决风力涡轮机运行与维护（O&M）中缺乏可解释性、上下文感知的决策支持，特别是针对自动化建议的问题。
• 通过提供人类可理解的维护策略，克服黑箱 AI 模型在基于状态监测（CBM）中的局限性。
• 构建一个统一的多模态知识图谱，整合异构数据源，如 SCADA 参数、报警日志、自然语言维护操作和图像。
• 通过涉及交互式查询、推理以及与可解释人工智能（XAI）模型集成的真实应用场景，展示知识图谱的实用性。
• 建立一个公开可用、可重用的基础框架，用于风能领域中自主、可解释的决策支持。

提出的方法

• 设计一个多模态知识图谱（KG），使用 RDF/OWL 标准建模风力涡轮机部件、SCADA 参数、报警信息、故障描述和维护操作。
• 摄取并结构化来自 Skillwind 维护手册、ORE Catapult 的 Levenmouth 示范涡轮机（LDT）SCADA 数据集以及故障图像的领域特定数据。
• 将 KG 与可解释人工智能（XAI）模型集成，将预测的异常（例如，变桨系统故障）映射到具体、上下文相关的维护操作。
• 应用图数据分析算法，推导出新型洞察，如故障频率、维护重复性以及部件间的依赖关系。
• 实现交互式查询接口，使 O&M 工程师能够探索故障历史、维护计划和推荐操作。
• 通过设计使 KG 兼容任何风力涡轮机的 SCADA 数据并可适应低数据场景下的迁移学习，确保可扩展性。

实验结果

研究问题

• RQ1 如何有效整合异构数据源（如 SCADA 参数、报警日志、自然语言维护操作和图像）到多模态知识图谱中，以实现风力涡轮机可解释性 O&M？
• RQ2 与 XAI 集成的知识图谱在多大程度上能提供人类可理解、可操作的维护建议，以应对预测的涡轮机故障？
• RQ3 通过在领域特定知识图谱上应用图数据分析算法，可以推导出哪些关于故障模式和维护调度的新型洞察？
• RQ4 所提出的知识图谱能否作为通用、可重用的基础，用于在多种风力涡轮机型号和运行情境下实现自主、可解释的决策支持？
• RQ5 将 XAI 模型与结构化知识库集成，如何提升在 AI 驱动的 O&M 决策中信任度与透明度？

主要发现

• XAI4Wind 知识图谱成功将 SCADA 数据、维护手册和故障图像整合为一个单一、可查询且可扩展的多模态知识库。
• KG 支持交互式和自动化的维护操作检索，包括纠正性和预防性操作，例如变桨系统‘重新紧固’（每 12 个月一次）和‘电池更换’（每 48 个月一次）。
• 图数据分析算法揭示了可操作的洞察，包括故障重复模式和部件级维护频率，支持主动式 O&M 规划。
• 与 XAI 模型的集成使系统能够将预测的异常（如变桨系统中的异常）映射到具体、上下文相关的维护操作，从而增强模型的可解释性。
• 该系统展示了可扩展性和可重用性，通过集成任意涡轮机的 SCADA 数据，即可应用于任何风力涡轮机，而无需从头开始训练。
• 在 GitHub 上公开提供的 KG（http://github.com/joyjitchatterjee/XAI4Wind）为风能领域中自主、可解释性 O&M 的未来研究提供了基础性资源。