Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines

Titolo: Framework di Transfer Learning Supervisionato per la Diagnosi di Guasti nelle Turbine Eoliche

1. Il Problema

La diagnosi dei guasti nelle turbine eoliche (WT) è fondamentale per massimizzare la produzione di energia e ridurre i tempi di fermo. Tuttavia, l'industria affronta diverse sfide critiche:

• Carenza di dati etichettati: I guasti sono eventi rari, rendendo difficile la raccolta di dataset sufficienti per l'addestramento di modelli specifici per ogni turbina.
• Sovraccarico di modelli: L'approccio tradizionale richiede la creazione di un modello separato per ogni singola turbina, il che è inefficiente e costoso in termini di risorse computazionali e umane.
• Mancanza di interpretabilità: Molti metodi basati sul Deep Learning estraggono caratteristiche astratte che non sono comprensibili per i diagnostici, rendendo difficile capire perché un sistema ha rilevato un guasto.
• Generalizzazione: I modelli addestrati su una turbina spesso falliscono quando applicati ad altre a causa di differenze nei produttori, nei componenti e nei pattern dei segnali.

2. Metodologia

Gli autori propongono un framework di Transfer Learning Supervisionato che opera in uno spazio denominato "Anomaly-Space".

• L'Anomaly-Space:

  • È uno spazio delle caratteristiche (feature space) costruito utilizzando algoritmi proprietari forniti dal partner di ricerca (EnBW), basato su dati SCADA e dati vibrazionali.
  • Invece di utilizzare i dati grezzi, il sistema genera punteggi di anomalia normalizzati per ogni componente della turbina.
  • Un valore superiore a 1.0 indica un comportamento anomalo. Questo rende le caratteristiche intuitive e direttamente interpretabili dai tecnici (rappresentano deviazioni dal comportamento normale).
  • Due tipi di "detector" principali vengono utilizzati:
    1. Tuplet Detector: Monitora gruppi di componenti semanticamente simili (es. temperature delle tre fasi del generatore) rilevando deviazioni nella varianza statistica per identificare guasti ai sensori.
    2. Broad-Band-Characteristic-Value (bbcv) Detector: Analizza i dati vibrazionali (dopo FFT) calcolando trend, skewness e curtosi per rilevare guasti ai cuscinetti.

• Preprocessing e Estrazione delle Caratteristiche:

  • I dati vengono etichettati in base alle finestre temporali dei guasti (fornite dai diagnostici).
  • Viene applicata un'estrazione di caratteristiche basata su finestre scorrevoli (sliding window, dimensione 144, passo 1) per catturare le relazioni tra campioni adiacenti.
  • Vengono estratte due nuove caratteristiche statistiche: Trend-Certainty (tc) (basata sul test di Mann-Kendall) e Varianza (var).
  • Il set finale di input per il modello comprende le uscite dei detector e le caratteristiche derivate (totale 6 feature).

• Approccio di Transfer Learning:

  • Il metodo è classificato come feature-based transfer learning. Non richiede una riduzione aggiuntiva della discrepanza di distribuzione perché l'Anomaly-Space è progettato per rappresentare le deviazioni dal comportamento normale in modo uniforme tra le diverse turbine.
  • Un singolo classificatore supervisionato viene addestrato su dati di diverse turbine (sorgente) e testato su turbine completamente nuove (target).

• Classificatori Utilizzati:

  • Random Forest (RF)
  • Light-Gradient-Boosting-Machines (LightGBM)
  • Multilayer Perceptron (MLP)

3. Contributi Chiave

1. Interpretabilità: A differenza di molti approcci di transfer learning basati su reti neurali profonde "scatola nera", questo framework utilizza caratteristiche derivate da dati SCADA e vibrazionali che sono facilmente comprensibili (punteggi di anomalia e trend).
2. Validazione Estensiva: Addestramento e valutazione rigorosi su dati reali provenienti da 5 turbine in 4 parchi eolici diversi, utilizzando la convalida incrociata stratificata.
3. Dimostrazione del Transfer Learning: Il modello migliore (MLP) è stato testato con successo su un set di test composto da 2 nuove turbine, di cui una proveniente da un parco eolico completamente diverso rispetto a quelli di addestramento, dimostrando la capacità di generalizzazione cross-domain.

4. Risultati

• Metrica di Valutazione: È stato utilizzato lo F0.5-score (con $\beta=0.5$), che dà più peso alla precisione rispetto al recall. Questa scelta è stata fatta per minimizzare i falsi positivi, cruciale per mantenere la fiducia dei tecnici nel sistema di diagnosi.
• Confronto sui Classificatori (Set di Addestramento):
  • Il Multilayer Perceptron (MLP) ha ottenuto le prestazioni migliori con un F0.5-score di 0.874.
  • I parametri ottimali per l'MLP sono stati: funzione di attivazione ReLU, ottimizzatore Adam, learning rate 0.001 e un singolo strato nascosto con 5 neuroni.
• Valutazione sul Set di Test (Cross-Domain):
  • Applicando l'MLP addestrato su un set di test completamente nuovo (2 turbine, 1 parco diverso), il modello ha raggiunto un F0.5-score di 0.937.
  • La precisione è stata eccezionale (0.992), confermando che il modello genera pochissimi falsi allarmi, mentre il recall è stato di 0.789.
• Osservazione: I punteggi sul set di test sono risultati superiori a quelli di addestramento. Gli autori attribuiscono questo fenomeno a problemi di qualità dei dati nel set di addestramento (es. un caso di guasto al sensore con contatti allentati che ha prodotto segmenti di segnale normali all'interno della finestra temporale del guasto), che hanno reso l'addestramento più difficile rispetto al test.

5. Significato e Conclusioni

Questo lavoro dimostra che è possibile costruire un sistema di diagnosi dei guasti automatizzato, end-to-end e generalizzabile senza dover addestrare un modello specifico per ogni singola turbina.

• Efficienza Operativa: Riduce drasticamente il numero di modelli necessari e la necessità di personale specializzato per la manutenzione manuale dei dati.
• Fiducia del Tecnico: L'uso di uno "Anomaly-Space" con valori intuitivi (deviazioni > 1.0) permette ai diagnostici di comprendere la logica dietro una decisione, superando la barriera dell'opacità dei modelli di Deep Learning.
• Robustezza: La capacità di rilevare guasti (cuscinetti e sensori) su turbine di parchi eolici mai visti prima conferma l'efficacia dell'approccio di feature-based transfer learning.

Come lavoro futuro, gli autori suggeriscono l'integrazione di tecniche di rilevamento Out-Of-Distribution (OOD) per identificare tipi di guasti mai visti in precedenza.