Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines

Probleemstelling

De diagnose van storingen in windturbines (WT's) staat voor twee grote uitdagingen:

1. Gebrek aan gelabelde data: Storingen zijn zeldzaam, waardoor het moeilijk is om grote, gelabelde datasets te verzamelen voor het trainen van modellen.
2. Domain-specifieke modellen: Traditionele methoden vereisen vaak een apart model voor elke windturbine, omdat turbines van verschillende fabrikanten kunnen komen met verschillende componenten en signaalpatronen. Dit leidt tot een hoge onderhouds- en ontwikkelingskosten.
3. Interpreteerbaarheid: Bestaande transfer learning-methoden (vaak gebaseerd op neurale netwerken) produceren abstracte features die voor diagnostici moeilijk te verklaren zijn. Als een systeem een storing meldt, moet duidelijk zijn waarom die beslissing is genomen.

Daarnaast is het onderscheid tussen echte mechanische storingen (zoals lagers) en sensorfouten cruciaal. Sensorfouten kunnen leiden tot onnodig onderhoud of, erger, tot het negeren van een echte storing omdat deze wordt verward met een sensorprobleem.

Methodologie

De auteurs stellen een toezichtgebaseerd transfer learning-framework voor dat werkt in een zogenaamde "Anomaly-Space" (Anomalie-ruimte).

1. De Anomaly-Space:
In plaats van ruwe SCADA- of trillingsdata direct te gebruiken, wordt een nieuwe feature-ruimte gebruikt die is opgebouwd door een onderzoekspartner (EnBW). Deze ruimte bevat genormaliseerde "anomalie-scores" voor elke component van de turbine.

• Scores > 1,0 worden beschouwd als abnormaal.
• Deze scores zijn intuïtief te interpreteren omdat ze afwijkingen van normaal gedrag weergeven.
• Twee specifieke "detectors" genereren deze data:
  • Tuplet Detector: Analyseert SCADA-data (bijv. temperaturen van drie fasen) op statistische variantie. Een grote variantie duidt op een sensorfout.
  • Broad-Band-Characteristic-Value (bbcv) Detector: Analyseert trillingsdata (na FFT-transformatie) op kenmerken zoals scheefheid en kurtosis, en berekent de trend van deze waarden. Dit is specifiek gericht op lagerstoringen.

2. Data Preprocessing en Feature Extractie:

• Labeling: Data binnen de tijdvensters van bekende storingen (geleverd door diagnostici) wordt gelabeld als "storing", data daarbuiten als "normaal".
• Venstering: Er wordt gebruikgemaakt van een schuifend venster (window-size 144, stride 1) om relaties tussen naburige data-punten te vangen.
• Features: Uit de anomalie-scores worden twee nieuwe features afgeleid:
  • Trend-certainty (tc): Bepaald via de Mann-Kendall test (p-waarde < 0,001).
  • Variance (var): De variantie binnen het venster.
• Dit resulteert in een dataset met 6 features (basis scores + trend/variance voor beide detectors).

3. Transfer Learning Strategie:
Het framework wordt beschouwd als een feature-based transfer learning aanpak. De "Anomaly-Space" fungeert als een domein-gedeelde feature-ruimte. Hierdoor kan een model dat is getraind op een set turbines (bron-domein) worden toegepast op andere turbines (doel-domein) zonder dat er zware aanpassingen nodig zijn om de verdelingsverschillen te minimaliseren.

4. Modellen:
Er werden drie toonaangevende toezichtgebaseerde classifiers getest:

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

Belangrijkste Bijdragen

1. Interpreteerbare Anomaly-Space: Het introduceren van een feature-ruimte gebaseerd op genormaliseerde anomalie-scores, in plaats van abstracte neurale netwerkkarakters. Dit maakt de diagnose voor menselijke experts begrijpelijk.
2. Uitgebreide Validatie: Een grondige evaluatie met stratified cross-validatie op data van 5 turbines uit 4 verschillende windparken, waarbij verschillende populaire classifiers met elkaar worden vergeleken.
3. Cross-Domain Generalisatie: Het aantonen dat het beste model succesvol wordt toegepast op een volledig nieuw testset bestaande uit 2 turbines uit 2 andere windparken (waarvan één een compleet ander park is dan de trainingsdata), zonder dat het model opnieuw getraind hoeft te worden.

Resultaten

• Modelvergelijking: De Multilayer Perceptron (MLP) presteerde het beste op de trainingsdata met een $F_{0.5}$-score van 0,874. De hyperparameters waren: ReLU activatie, Adam optimizer, leerstroom 0,001 en 1 verborgen laag met 5 neuronen.
  • Opmerking: De $F_{0.5}$-score werd gekozen omdat precisie (minimale vals-positieven) belangrijker is dan recall in dit scenario. Vals-positieven leiden tot onnodig onderhoud en wantrouwen in het systeem.
• Testresultaten: Het getrainde MLP-model werd toegepast op de testset (nieuwe turbines). Het behaalde een $F_{0.5}$-score van 0,937, met een precisie van 0,992 en een recall van 0,789.
• Interpretatie: De hogere score in de testset ten opzichte van de validatiescore wordt toegeschreven aan datakwaliteitsproblemen in de trainingsdata (bijvoorbeeld een sensor met los contact die soms normale metingen levert binnen een storingsperiode, wat de evaluatie verstoort).

Betekenis en Conclusie

Dit paper presenteert een veelbelovende oplossing voor de automatische diagnose van storingen in windturbines. Het belangrijkste voordeel is dat het framework één enkele classifier gebruikt om storingen te detecteren in turbines die niet in de trainingsset zaten (cross-domain). Dit vermindert de noodzaak om voor elke turbine een nieuw model te bouwen.

De aanpak lost het probleem van interpretatie op door te werken met intuïtieve anomalie-scores in plaats van "black box" features. Hoewel het huidige systeem zich richt op bekende storingssoorten (lagers en sensoren), is het een sterke basis voor toekomstig werk, zoals het toevoegen van Out-of-Distribution (OOD) detectie om ook onbekende storingssoorten te identificeren. De methode biedt een efficiënte weg naar schaalbare en betrouwbare condition monitoring voor de windenergiesector.