[论文解读] WaveletFCNN: A Deep Time Series Classification Model for Wind Turbine Blade Icing Detection.

Binhang Yuan, Chen Wang+4 more|arXiv (Cornell University)|Feb 14, 2019

Anomaly Detection Techniques and Applications参考文献 47被引用 26

一句话总结

该论文提出WaveletFCNN，一种结合小波变换与全卷积神经网络的深度学习模型，用于从多变量时间序列数据中检测风力涡轮机叶片结冰。通过小波系数增强特征，WaveletFCNN在UCR时间序列基准测试中表现更优，并利用滑动窗口与多数投票技术实现实时异常检测，应用于真实风电场数据。

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is plentiful and renewable. Data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this paper, we propose a novel classification-based anomaly detection system for icing detection of the wind turbine blades. We effectively combine the deep neural networks and wavelet transformation to identify such failures sequentially across the time. In the training phase, we present a wavelet based fully convolutional neural network (FCNN), namely WaveletFCNN, for the time series classification. We improve the original (FCNN) by augmenting features with the wavelet coefficients. WaveletFCNN outperforms the state-of-the-art FCNN for the univariate time series classification on the UCR time series archive benchmarks. In the detecting phase, we combine the sliding window and majority vote algorithms to provide the timely monitoring of the anomalies. The system has been successfully implemented on a real-world dataset from Goldwind Inc, where the classifier is trained on a multivariate time series dataset and the monitoring algorithm is implemented to capture the abnormal condition on signals from a wind farm.

研究动机与目标

• 为解决风力涡轮机叶片结冰这一关键故障模式带来的效率降低与维护成本增加问题。
• 在异常检测背景下，提升对单变量与多变量信号的时间序列分类性能。
• 开发一种能够利用流式传感器数据实现实时检测的监测系统。
• 在金风科技（Goldwind Inc.）的真实数据上验证模型，证明其在工业风电场中的实际应用潜力。

提出的方法

• 所提出的WaveletFCNN模型整合离散小波变换（DWT），将时间序列分解为近似系数与细节系数，从而丰富输入特征，提升表征能力。
• 采用全卷积神经网络（FCNN）实现端到端的时间序列分类，利用卷积核提取分层时间模式。
• 将小波系数与原始输入序列拼接，扩展特征空间，增强模型对结冰发生等瞬态异常的敏感性。
• 采用滑动窗口方法实时处理序列数据，实现对涡轮机健康状态的持续监测。
• 在重叠窗口上应用多数投票算法，降低误报率，提升检测可靠性。
• 模型在金风科技风电场的多变量时间序列数据上进行训练，整合了来自多个运行参数的传感器数据。

实验结果

研究问题

• RQ1 基于小波的特征增强是否能提升全卷积神经网络在风力涡轮机结冰检测时间序列分类中的性能？
• RQ2 WaveletFCNN在标准UCR时间序列分类基准测试中与最先进FCNN模型相比表现如何？
• RQ3 所提出的系统在多大程度上能利用流式多变量传感器数据实现实时叶片结冰检测？
• RQ4 滑动窗口与多数投票的组合在减少异常检测过程中的误报方面效果如何？

主要发现

• WaveletFCNN在UCR时间序列分类基准测试中优于原始FCNN，通过小波增强的特征学习实现了更高的准确率。
• 小波系数的整合显著提升了模型检测时间序列数据中细微且早期结冰模式的能力。
• 实时监测系统在金风科技数据集中成功识别出异常状态，验证了其在实际部署中的潜力。
• 滑动窗口与多数投票的处理流程有效降低了由噪声引起的误报，提升了真实运行环境下的检测可靠性。