Fault Diagnosis in New Wind Turbines using Knowledge from Existing Turbines by Generative Domain Adaptation

要約

風力タービンのインテリジェントな状態監視は、ダウンタイムを減らすために不可欠です。
風力タービンの動作データでトレーニングされた機械学習モデルは、一般に異常、そして最終的には操作障害を検出するために使用されます。
ただし、データ駆動型の通常の行動モデル（NBMS）には、希少なデータでトレーニングされたNBMが信頼できない障害診断につながる可能性があるため、かなりの量のトレーニングデータが必要です。
この制限を克服するために、トレーニングデータがない1つの風力タービンからのSCADAサンプルを、代表的なトレーニングデータを持つ風力タービンからのSCADAデータに似ている新しい生成的学習アプローチを提示します。
CycleGanベースのドメインマッピングにより、この方法により、既存の風力タービンでトレーニングされたNBMを、データが厳しく限られているものに適用できます。
7つの大幅に異なるWTSにわたるSCADAサンプルをマッピングするフィールドデータに関するアプローチを示します。
私たちの調査結果は、希少なデータを持つ風力タービンの断層診断が大幅に改善されたことを示しています。
私たちの方法は、豊富なデータでトレーニングされたNBMに対して最も類似した異常スコアを達成し、1か月のトレーニングデータが利用可能な場合、F1スコアで +10.3％、2週間が利用可能なときに +16.8％の改善で希少なトレーニングデータでトレーニングされたNBMを上回ります。
ドメインマッピングアプローチは、1〜8週間のトレーニングデータの範囲で、データ不足の程度を考慮して、従来の微調整を上回ります。
提案された手法により、新しく設置された風力発電所でより早くより信頼性の高い障害診断が可能になり、トレーニングデータ不足に直面したときに異常検出を改善するための斬新で有望な研究方向を示します。

要約(オリジナル)

Intelligent condition monitoring of wind turbines is essential for reducing downtimes. Machine learning models trained on wind turbine operation data are commonly used to detect anomalies and, eventually, operation faults. However, data-driven normal behavior models (NBMs) require a substantial amount of training data, as NBMs trained with scarce data may result in unreliable fault diagnosis. To overcome this limitation, we present a novel generative deep learning approach to make SCADA samples from one wind turbine lacking training data resemble SCADA data from wind turbines with representative training data. Through CycleGAN-based domain mapping, our method enables the application of an NBM trained on an existing wind turbine to one with severely limited data. We demonstrate our approach on field data mapping SCADA samples across 7 substantially different WTs. Our findings show significantly improved fault diagnosis in wind turbines with scarce data. Our method achieves the most similar anomaly scores to an NBM trained with abundant data, outperforming NBMs trained on scarce training data with improvements of +10.3% in F1-score when 1 month of training data is available and +16.8% when 2 weeks are available. The domain mapping approach outperforms conventional fine-tuning at all considered degrees of data scarcity, ranging from 1 to 8 weeks of training data. The proposed technique enables earlier and more reliable fault diagnosis in newly installed wind farms, demonstrating a novel and promising research direction to improve anomaly detection when faced with training data scarcity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google