Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines

1. 문제 정의 (Problem)

풍력 터빈 (WT) 의 고장 진단 및 상태 모니터링에는 다음과 같은 주요 도전 과제가 존재합니다:

• 레이블 데이터 부족: 고장은 드물게 발생하므로, 각 터빈마다 충분한 레이블이 지정된 고장 데이터를 확보하기 어렵습니다.
• 모델의 비효율성: 기존 접근 방식은 각 터빈마다 별도의 모델을 구축해야 하므로, 터빈 수가 증가함에 따라 모델 관리 비용과 인력 부담이 커집니다.
• 해석 가능성 (Explainability) 부족: 많은 전이 학습 (Transfer Learning) 기법들이 신경망을 사용하여 추상적인 특징을 추출하므로, 진단 전문가가 고장 판단의 근거를 이해하기 어렵습니다.
• 도메인 간 차이: 제조사나 구성품의 차이로 인해 서로 다른 터빈 간의 신호 패턴이 달라, 한 터빈에서 학습된 모델을 다른 터빈에 직접 적용하기 어렵습니다.

2. 제안된 방법론 (Methodology)

저자들은 "Anomaly-Space(이상 공간)" 기반의 지도 학습 전이 학습 프레임워크를 제안합니다.

가. Anomaly-Space 구축

• 데이터 소스: SCADA(감시 제어 및 데이터 획득) 데이터와 진동 데이터를 결합합니다.
• 검출기 (Detectors): 연구 파트너 (EnBW) 가 제공한 독점 알고리즘을 사용하여 각 터빈 구성 요소별 이상 점수 (Anomaly Scores) 를 생성합니다.
  • Tuplet Detector: SCADA 데이터 내 유사한 구성 요소 그룹 (예: 3 상 발전기 온도) 간의 분산을 통계적으로 테스트하여 센서 고장을 탐지합니다.
  • bbcv Detector (Broad-Band-Characteristic-Value): 진동 데이터에 FFT 를 적용하고, 왜도, 첨도 등의 특징을 추출한 후 경향성 (Trendiness) 을 분석하여 베어링 고장을 탐지합니다.
• 특징: 이상 점수는 정규화되어 있으며, 1.0 초과 시 이상으로 간주됩니다. 이는 고장 진단 전문가에게 직관적으로 해석 가능한 값입니다.

나. 특징 추출 및 전처리

• 슬라이딩 윈도우: 144 개의 윈도우 크기와 1 의 스트라이드를 사용하여 인접 데이터 샘플 간의 관계를 포착합니다.
• 추출된 특징:
  • Trend-Certainty (tc): Mann-Kendall 검정을 사용하여 윈도우 내 경향성을 이진화 (p-value < 0.001 일 경우 1, 아니면 0) 합니다.
  • Variance (var): 윈도우 내 분산 값을 사용합니다.
  • 최종적으로 2 개의 기본 특징 (Tuplet, bbcv) 에 2 개의 윈도우 기반 특징 (tc, var) 을 결합하여 총 6 개의 특징을 생성합니다.

다. 전이 학습 접근법

• 이 프레임워크는 특징 기반 (Feature-based) 전이 학습으로 분류됩니다.
• Anomaly-Space 는 도메인 간 공통된 특징 공간 (Domain-shared feature space) 으로 작용하여, 소스 도메인 (학습용 터빈) 에서 학습된 지식을 타겟 도메인 (테스트용 터빈) 에 적용할 수 있게 합니다.
• 추가적인 분포 불일치 감소 (Distribution discrepancy reduction) 단계 없이, 이상 점수라는 직관적인 특징을 직접 활용합니다.

라. 분류기 (Classifiers)

• Random Forest (RF), LightGBM, Multilayer Perceptron (MLP) 등 다양한 지도 학습 분류기를 비교 평가했습니다.

3. 주요 기여 (Key Contributions)

1. 해석 가능한 특징 기반 전이 학습: SCADA 및 진동 데이터에서 유도된 이상 점수를 사용하여, 기존 전이 학습의 '블랙박스' 문제를 해결하고 진단 전문가가 결과를 쉽게 이해할 수 있도록 했습니다.
2. 실제 데이터에 대한 광범위한 평가: 4 개의 풍력 단지 (Wind Parks) 에 있는 5 개의 터빈 데이터를 사용하여 층화 교차 검증 (Stratified Cross-Validation) 을 수행하고, RF, LightGBM, MLP 의 성능을 비교했습니다.
3. 교차 도메인 검증: 학습 데이터와 완전히 다른 풍력 단지에 있는 2 개의 새로운 터빈 (테스트 세트) 에 대해 최적 모델을 적용하여, 단일 분류기로도 교차 도메인 고장을 높은 정확도로 탐지할 수 있음을 입증했습니다.

4. 실험 결과 (Results)

• 평가 지표: 정밀도 (Precision) 를 더 중요하게 여기기 위해 F0.5 점수를 사용했습니다 (위양성 최소화).
• 학습 데이터 (Train Set) 성능:
  • **MLP (Multilayer Perceptron)**가 가장 우수한 성능을 보였습니다 (F0.5 점수: 0.874).
  • MLP 설정: ReLU 활성화 함수, Adam 옵티마이저, 학습률 0.001, 은닉층 1 개 (5 뉴런).
• 테스트 데이터 (Test Set) 성능:
  • 학습 데이터에서 최적화된 MLP 모델을 2 개의 새로운 터빈 (다른 풍력 단지 포함) 에 적용한 결과, F0.5 점수 0.937을 기록했습니다.
  • 정밀도 (Precision): 0.992, 재현율 (Recall): 0.789.
  • 이는 제안된 프레임워크가 단일 분류기로도 다른 도메인의 고장을 매우 높은 정확도로 탐지할 수 있음을 의미합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 복잡한 신경망의 추상적 특징 대신, '정상 행동에서의 편차'를 나타내는 이상 점수를 활용함으로써 진단 팀의 신뢰도를 높였습니다.
• 효율성: 각 터빈마다 모델을 새로 구축할 필요 없이, 소수의 터빈에서 학습된 지식을 다른 터빈에 적용할 수 있어 유지보수 비용을 절감하고 고장 탐지 효율을 극대화합니다.
• 향후 과제: 이전에 보지 못한 고장 유형을 탐지하기 위해 Out-Of-Distribution (OOD) 탐지 기능을 프레임워크에 통합하는 연구가 필요하다고 제안합니다.

이 연구는 풍력 터빈의 자동화된 고장 진단을 위해 해석 가능성과 전이 학습의 효율성을 동시에 달성한 효과적인 사례로 평가됩니다.