Non-contact Sensing for Anomaly Detection in Wind Turbine Blades: A focus-SVDD with Complex-Valued Auto-Encoder Approach

要約

風力タービンブレード (WTB) の製造において製造上の欠陥が発生すると、運用およびメンテナンスのコストが大幅に増加し、深刻で悲惨な結果を招く可能性があります。
したがって、複合材料を一貫して製造するためには、製造プロセス中の検査が非常に重要です。
周波数変調連続波 (FMCW) レーダーなどの非接触センシング技術は、硬化中のこれらの複雑な構造の全体像を提供するため、ますます人気が高まっています。
この論文では、非破壊センシングモダリティとしてFMCWレーダーを利用して製造の品質保証を強化します。
さらに、次の利点を提供する新しい異常検出パイプラインが開発されました。 (1) FMCW レーダーの中間周波数信号の解析表現を、受信波から材料固有の往復遅延情報を解きほぐす機能として使用します。
。
(2) 我々は、focus Support Vector Data description (focus-SVDD) と呼ばれる新しい異常検出手法を提案します。
この方法では、正常なデータの特徴を削除した後にデータセットの限界境界を定義し、それによって異常の属性に焦点を当てます。
(3) 提案された方法では、複素数値オートエンコーダを使用して健全な特徴を削除し、指数関数的振幅減衰 (EAD) と呼ばれる新しい活性化関数を導入します。
EAD は、瞬間的な振幅信号を特徴付けるレイリー分布を利用します。
提案された方法の有効性は、収集されたデータへの適用を通じて実証され、他の最先端の教師なし異常検出方法と比較して優れたパフォーマンスを示します。
この手法は、構造健全性モニタリングだけでなく、深層複素数値データ処理やSVDDアプリケーションの分野にも大きく貢献すると期待されています。

要約(オリジナル)

The occurrence of manufacturing defects in wind turbine blade (WTB) production can result in significant increases in operation and maintenance costs and lead to severe and disastrous consequences. Therefore, inspection during the manufacturing process is crucial to ensure consistent fabrication of composite materials. Non-contact sensing techniques, such as Frequency Modulated Continuous Wave (FMCW) radar, are becoming increasingly popular as they offer a full view of these complex structures during curing. In this paper, we enhance the quality assurance of manufacturing utilizing FMCW radar as a non-destructive sensing modality. Additionally, a novel anomaly detection pipeline is developed that offers the following advantages: (1) We use the analytic representation of the Intermediate Frequency signal of the FMCW radar as a feature to disentangle material-specific and round-trip delay information from the received wave. (2) We propose a novel anomaly detection methodology called focus Support Vector Data Description (focus-SVDD). This methodology involves defining the limit boundaries of the dataset after removing healthy data features, thereby focusing on the attributes of anomalies. (3) The proposed method employs a complex-valued autoencoder to remove healthy features and we introduces a new activation function called Exponential Amplitude Decay (EAD). EAD takes advantage of the Rayleigh distribution, which characterizes an instantaneous amplitude signal. The effectiveness of the proposed method is demonstrated through its application to collected data, where it shows superior performance compared to other state-of-the-art unsupervised anomaly detection methods. This method is expected to make a significant contribution not only to structural health monitoring but also to the field of deep complex-valued data processing and SVDD application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google