[4R3-GS-10] AI application:

[4R3-GS-10-03] Accurate and Data-Efficient Modeling for Wind Turbine Condition Monitoring Using Vibration Signals

〇Takuya Wakayama¹, Taiki Inoue¹, Satoru Fukayama², Makoto Iida³, Tetsuji Ogawa¹ (1. Waseda University, 2. Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology, 3. The University of Tokyo)

Keywords:self-supervised-learning, mask prediction, self-distillation, vibration data, wind turbine anomaly detection

振動信号を用いた風車状態監視において，監視対象機器で観測されるデータが少量の場合でも頑健に高い性能を達成可能なモデル構築法について検討を行った．機械学習に基づく異常検知では，正常状態のデータのみで構築した分布からの逸脱を異常とみなすことが一般的である．このとき，正常状態の分布は未知の異常の見逃しを防ぐために監視対象のデータのみで構築することが望ましいが，これは，運用の初期段階のように監視対象機器のデータが十分に取得されていない状況においては高い性能を望めないことを示唆する．それに対し本研究では，Transformerに基づく振動スペクトルのマスク推定の枠組みにより風車や環境変動の違いに頑健な特徴表現を抽出し，また，自己蒸留の枠組みにより監視対象外の複数の風車の正常状態分布を監視対象に適応することで，誤検知を抑制しながら少量学習データでも高精度な異常検知を実現することを目指す．風車実機の振動信号を用いた実験を通じて，提案手法が，既存方式と比較して信頼性の高い異常検知を可能にし，少量のデータしか得られない監視対象においても，過検知を抑制できることを明らかにした．