Using Deep Learning for Anomaly Detection in Distributed Temperature Sensing Systems for Submarine Export Cables
Cecilie Hermansen · NORA - Norwegian Open Research Archives · 2019
Eksportkabler er viktige komponenter i en offshorevindmøllepark, siden de trans- portere den produserte energien til land. Feil i kablene kan føre til store tap for operatørene, og de vil derfor overvåke kablene for å kunne varsle om feil under utvikling som kan korrigeres. Fysiske lover regulerer forholdet mellom tempera- turene i eksportkablene, strømmen gjennom kabelen og omgivelsene. Det er komplisert å fysisk modellere disse forholdene, men de kan læres implisitt av en dyp læring-modell. \t\t\t\t\t Asynkrone datakildene beskriver systemet rundt eksportkabelen. Eksperimenter ble utført for å fastslå hvordan asynkronisiteten best skulle håndteres i dyp læring-modeller. Den foretrukne modellen var en LSTM modell med inputdata resamplet til å være synkron, men ujevnt samplet. \t\t\t\t\t Det er ikke kjent at det har vært feil i kabelen. Den normale oppførselen til temperaturene i kabelen ble modellert, og avvik ble brukt til å finne feil. Syntetiske feil ble konstruert for å evaluere de forskjellige modellene. Feildeteksjon basert på temporale og spatiale forhold ble undersøkt hver for seg. De beste modellen ble kombinert, men slo ikke den beste spatiale modellen. Den beste modellen bruke prinsipalkomponentanalyse (principal component analysis, PCA) til å encode og rekonstruere sekvenser av kabeltemperaturer, og fikk gode resultater på de konstruerte feilene. \t\t\t\t\t Til slutt er en ny metode for trening og validering av modeller for periodisk tidsseriedata foreslått. Den er basert på kryssvalidering, og går ut på å dele dataene opp i små, sammenhengende blokker som tilfeldig fordeles på det ønskede antallet deler.