Photovoltaic Panel Failure Detection Using Class-Conditioned Generative Adversarial Networks

Technische Samenvatting: Detectie van Falende Fotovoltaïsche Panelen met behulp van Class-Conditioned Generative Adversarial Networks

Probleemstelling
De geautomatiseerde inspectie van zonnefotovoltaïsche (PV) systemen leunt zwaar op infrarood (IR) thermografie om defecten zoals hot spots, celbarsten en bypass-diode-fouten te detecten. Hoewel deep learning-modellen veelbelovend zijn gebleken voor het automatiseren van dit proces, wordt hun effectiviteit ernstig beperkt door de klasse-onbalans die inherent is aan real-world datasets. In operationele zonneparken zijn de overgrote meerderheid van de modules gezond, terwijl kritieke foutmodi (bijv. diode-fouten, multi-cel hot spots) zeldzaam zijn. Deze schaarste aan monsters uit de minderheidsklasse leidt tot supervised learning-modellen die bevooroordeeld zijn ten opzichte van de dominante "normale" klasse, wat resulteert in een lage recall voor kritieke defecten. Bovendien lijden modellen die getraind zijn op dergelijke scheve data vaak aan een slechte probabilistische kalibratie, waarbij ze overgeconfident foutieve classificaties produceren die gevaarlijk zijn in veiligheidskritische autonome operaties. Het verzamelen van meer real-world data voor zeldzame fouten is operationeel complex en kostbaar, omdat het specifieke omgevingscondities vereist en vaak destructieve foutinductie noodzakelijk maakt.

Methodologie
Om deze uitdagingen aan te pakken, stellen de auteurs een Auxiliary Classifier Generative Adversarial Network (AC-GAN) framework voor, dat specifiek is ontworpen voor de class-conditioned synthese van hoogwaardige thermische beelden van PV-defecten.

• Architectuur:
  • Generator: De generator accepteert een latente ruisvector ($z$) en een discrete klasse-label ($c$). Het label wordt ingebed in een continue representatie en geconcateneerd met de ruis. Het netwerk maakt gebruik van een progressieve upsampling-structuur met twee blokken, elk bevattende batch normalization, bilinear upsampling, convolutie en LeakyReLU-activatie. Cruciaal is dat een self-attention mechanisme is geïntegreerd tussen de upsampling-blokken om langetermijn ruimtelijke afhankelijkheden te vangen die kenmerkend zijn voor thermische anomalieën over het moduleoppervlak. De uiteindelijke output is een single-channel grayscale thermisch beeld dat via een $tanh$-activatie wordt beperkt tot $[-1, 1]$.
  • Discriminator: De discriminator voert een dubbele taak uit: het onderscheiden van echte van valse beelden (adversarial taak) en het classificeren van het beeld in de juiste anomalie-categorie (auxiliary taak). Het maakt gebruik van vier convolutionele blokken met spectral normalization om de Lipschitz-constante te beperken en de trainingsstabiliteit te waarborgen. De output wordt gesplitst in een adversarial head (real/fake waarschijnlijkheid) en een auxiliary classification head (klasse-waarschijnlijkheden).
• Trainingsstrategie:
  • Het model wordt getraind met behulp van een samengestelde loss-functie die de adversarial loss en de auxiliary classification loss combineert.
  • Om stabiliteit te garanderen, maken de auteurs gebruik van label smoothing (targets 0.9 voor echt, 0.1 voor vals), Gaussian noise injectie in echte beelden en gradient clipping.
  • Optimalisatie vindt plaats met de Adam-optimizer met verschillende leercurves voor de generator en de discriminator.
• Downstream Evaluatie:
  • De synthetische beelden gegenereerd door de AC-GAN worden gebruikt om de trainingsdataset in balans te brengen.
  • Een MobileNetV3-Large classifier wordt getraind op de geaugmenteerde data met behulp van een drie-fasen fine-tuning strategie (frozen backbone, gedeeltelijke fine-tuning en volledige fine-tuning) om zich aan te passen aan de fotovoltaïsche anomalie-taak.
  • Prestaties worden geëvalueerd tegen baselines, inclus\n bij class-weighted loss, oversampling en conventionele geometrische augmentatie. Metrics omvatten top-1 accuratesse, validatieverlies en de Expected Calibration Error (ECE).

Belangrijkste Bijdragen

1. Fault-Conditioned Synthese: Het artikel introduceert een gespecialiseerde AC-GAN voor infrarood PV-beelden die de gecontroleerde generatie van zeldzame foutsignaturen mogelijk maakt zonder destructieve foutinductie, wat de ernstige dataset-onbalans direct aanpakt.
2. Grondige Vergelijkende Evaluatie: De studie vergelijkt systematisch generatieve augmentatie met conventionele methoden (oversampling, class weighting en geometrische augmentatie), waarbij de impact op zowel classificatieprestaties als onzekerheidsschatting wordt gekwantificeerd.
3. Focus op Kalibratie: Het werk toont aan dat hoewel synthetische data in sommige configuraties een marginaal lagere top-1 accuratesse kunnen opleveren vergeleken met eenvoudige augmentatie, ze de probabilistische kalibratie aanzienlijk verbeteren. Het voorgestelde framework bereikt een ECE van 1.5%, wat aangeeft dat de confidence scores van het model veel nauwer aansluiten bij de werkelijke juistheid, een cruciale factor voor diagnostiek met hoge veiligheidseisen.

Resultaten

• Generatieve Kwaliteit: De voorgestelde AC-GAN bereikte een Fréchet Inception Distance (FID) van 35.4, waarmee het ablatieversies zonder self-attention (FID 52.3) of spectral normalization (FID 68.7) verslaat. Dit duidt op een hoge getrouwheid in de gegenereerde thermische signaturen.
• Classificatieprestaties:
  • De AC-GAN-gebaseerde aanpak bereikte een classificatie-accuratesse van 80.45% met een validatieverlies van 0.6987.
  • Dit presteerde significant beter dan de class-weighted baseline (67.97% accuratesse, 2.1747 loss) en de oversampling baseline (70.50% accuratesse, 1.0260 loss).
  • Hoewel conventionele geometrische augmentatie een iets hogere accuratesse behaalde (82.12%), resulteerde dit in een hoger validatieverlies (0.9064) en een slechtere kalibratie.
• Kalibratie en Betrouwbaarheid: Het AC-GAN model vertoonde een superieure onzekerheidsbewustheid. Reliability diagrams toonden een sterke uitlijning tussen voorspelde confidence en empirische juistheid. Het model vertoonde een ECE van 1.5%, vergeleken met 2.56% voor het augmentatie-gebaseerde model. Het GAN-gebaseerde model was aanzienlijk zelfverzekerder wanneer het correct was en passend minder zelfverzekerd wanneer het incorrect was, terwijl het augmentatie-gebaseerde model een grotere overlap en overconfidence vertoonde.

Betekenis en Claims
De auteurs beweren dat deze methodologie een schaalbare oplossing biedt voor het verbeteren van de betrouwbaarheid van autonome zonne-energie Operations & Maintenance (O&M). De primaire betekenis ligt in de afweging tussen ruwe accuratesse en betrouwbaarheid: het artikel beargumenteert dat voor veiligheidskritische toepassingen zoals autonome luchtinspecties, een model met een superieure probabilistische kalibratie (lage ECE) fundamenteel betrouwbaarder is dan een model met een marginaal hogere accuratesse maar slechte kalibratie. Door functioneel informatieve, hoogwaardige synthetische monsters te genereren, zorgt het AC-GAN framework ervoor dat diagnostische modellen robuust blijven, zelfs wanneer real-world data voor zeldzame foutmodi niet beschikbaar is, waardoor het risico op ongedetecteerde kritieke defecten en overgeconfimde misclassificaties wordt verminderd. De studie erkent beperkingen met betrekking tot de generaliseerbaarheid naar verschillende cameraresoluties en klimatologische condities, en merkt op dat diffusiemodellen niet zijn onderzocht vanwege computationele beperkingen, wat wijst op gebieden voor toekomstig onderzoek.