[论文解读] Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data

Wenqian Jiang, Junyang Jin|arXiv (Cornell University)|Jan 20, 2021

Icing and De-icing Technologies参考文献 37被引用 4

一句话总结

本文提出 PGANC 和 PGANT 两种深度学习框架，采用两阶段训练，结合并行 GAN 与 CNN 或领域自适应技术，从 SCADA 数据中检测风力涡轮机叶片结冰。模型在有限标注数据下表现出优越的准确率与泛化能力，AUC（最高达 0.949）与 MCC 分数均优于传统 CNN 及机器学习方法。

ABSTRACT

Diagnosis of ice accretion on wind turbine blades is all the time a hard nut to crack in condition monitoring of wind farms. Existing methods focus on mechanism analysis of icing process, deviation degree analysis of feature engineering. However, there have not been deep researches of neural networks applied in this field at present. Supervisory control and data acquisition (SCADA) makes it possible to train networks through continuously providing not only operation parameters and performance parameters of wind turbines but also environmental parameters and operation modes. This paper explores the possibility that using convolutional neural networks (CNNs), generative adversarial networks (GANs) and domain adaption learning to establish intelligent diagnosis frameworks under different training scenarios. Specifically, PGANC and PGANT are proposed for sufficient and non-sufficient target wind turbine labeled data, respectively. The basic idea is that we consider a two-stage training with parallel GANs, which are aimed at capturing intrinsic features for normal and icing samples, followed by classification CNN or domain adaption module in various training cases. Model validation on three wind turbine SCADA data shows that two-stage training can effectively improve the model performance. Besides, if there is no sufficient labeled data for a target turbine, which is an extremely common phenomenon in real industrial practices, the addition of domain adaption learning makes the trained model show better performance. Overall, our proposed intelligent diagnosis frameworks can achieve more accurate detection on the same wind turbine and more generalized capability on a new wind turbine, compared with other machine learning models and conventional CNNs.

研究动机与目标

• 为解决在标注数据稀缺情况下风力涡轮机准确且泛化性强的结冰诊断挑战。
• 利用 SCADA 数据实现正常与结冰状态特征的端到端学习，无需依赖物理模型。
• 开发一种可迁移的框架，即使在不同运行条件下，也能在不同风力涡轮机间实现良好泛化。
• 通过结合基于 GAN 的特征学习与领域自适应技术，提升零样本或少样本迁移下的检测性能。
• 在三台风力涡轮机的真实 SCADA 数据上进行验证，涵盖多样的环境与运行场景。

提出的方法

• 提出 PGANC：一种两阶段框架，使用两个并行 GAN 从正常与结冰样本中提取内在特征，随后通过 CNN 进行分类。
• 提出 PGANT：在 PGANC 基础上引入领域自适应学习，以在目标涡轮机标注数据不足时提升性能。
• 采用两种损失函数：基于 MMD 的领域对齐损失（L_ms）与领域差异损失（L_md），以对齐跨领域特征分布。
• 使用包括运行参数（如功率、转子转速）与环境变量（如温度、风速）在内的 SCADA 数据作为输入特征。
• 采用两阶段训练流程：首先微调 GAN 以学习解耦表示，然后微调分类器或领域自适应模块。
• 使用 AUC、F1 分数与 MCC 作为评估指标，特别关注在数据不平衡情况下的误报率最小化。

实验结果

研究问题

• RQ1 两阶段基于 GAN 的框架能否有效学习风力涡轮机 SCADA 数据中正常与结冰状态的判别性特征？
• RQ2 在目标涡轮机标注数据有限的情况下，引入领域自适应如何提升模型的泛化能力？
• RQ3 基于 GAN 的特征学习是否在捕捉数据不平衡 SCADA 数据中细微模式方面优于标准 CNN？
• RQ4 与端到端训练相比，两阶段训练策略在提升模型性能与训练效率方面有多大的增强作用？
• RQ5 在跨涡轮机迁移学习中，所提模型与传统机器学习模型（如 SVC、XGBoost）及其他深度学习基线模型相比表现如何？

主要发现

• PGANC 在涡轮机 21 上达到最高 AUC 0.940，在涡轮机 8 上达到 0.933，优于所有三台涡轮机中的 SVC、CNN 及其他基线模型。
• 两阶段训练（第二阶段）相比第一阶段显著提升性能，涡轮机 15 上 AUC 提升最高达 0.056，涡轮机 8 上达 0.057。
• PGANT 在涡轮机 15-21 上 AUC 达 0.849，在 21-8 上达 0.800，优于 KNN、SVC、XGBoost 与 PGANC，在跨涡轮机迁移学习中表现更优。
• 消融实验表明，同时使用 MMD 损失（L_ms 与 L_md）的 PGANT 取得最佳 MCC（0.769）与 AUC，表明对少数类预测能力得到提升。
• 即使未引入领域自适应，PGANC 的迁移能力仍优于传统模型，证明了基于 GAN 的特征学习具有强鲁棒性。
• 在仅 5% 标注数据条件下，模型仍保持高性能，PGANT 在涡轮机 21-8 上 AUC 达 0.949，表明在数据稀缺条件下具备强大泛化能力。