並列化Population Based Incremental Learningによる変数選択手法のガスタービン異常検知への適用

カテゴリ: 研究会(論文単位)

論文No: ST21034,SMF21061

グループ名: 【C】電子・情報・システム部門 システム/【D】産業応用部門 スマートファシリティ合同研究会

発行日: 2021/10/30

タイトル(英語): Feature Selection by Parallel Population Based Incremental Learning for Gas Turbine Generators Anomaly Detection

著者名: 山崎 岳大(明治大学),福山 良和(明治大学),島崎 祐一(富士電機),長田 悠人(富士電機),村上 賢哉(富士電機),飯坂 達也(富士電機),松井 哲郎(富士電機)

著者名(英語): Takahiro Yamasaki(Meiji University),Yoshikazu Fukuyama(Meiji University),Yuichi Shimasaki(Fuji electric Co., Ltd),Yuto Osada(Fuji electric Co., Ltd),Kenya Murakami(Fuji electric Co., Ltd),Tatsuya Iizaka(Fuji electric Co., Ltd),Tetsuro Matsui(Fuji electric

キーワード: 変数選択|Ｗｒａｐｐｅｒ法|ガスタービン|火力発電プラント|異常検知|feature selection|wrapper method|gas turbine generator|thermal power plant|anomaly detection

要約(日本語): 火力発電プラントのガスタービンでの異常は重大な事故に発展する恐れがあるため，早期に異常を検知し，事故を予防することが重要である。ガスタービン異常検知の実用化において，システムコスト削減及び異常検知精度向上のため，変数選択は，重要である。本論文では，高精度な異常検知に貢献する変数を特定するため，ガスタービン異常検知に対し，並列化PBILによる変数選択手法を提案する。

要約(英語): This paper proposes feature selection by parallel Population Based Incremental Learning for gas turbine generator (GTG) anomaly detection in order to identify features that contribute to highly accurate anomaly detection. Since anomalies in GTGs of a thermal power plant may lead to a serious accident, it is important to detect anomalies at an early stage and prevent the accident. Toward realizing a practical system of GTG anomaly detection, feature selection is important for reducing system costs and improving anomaly detection accuracy. Speed up of the proposed method is verified through simulations with actual GTG operating data.

本誌: 2021年11月2日システム/スマートファシリティ合同研究会

本誌掲載ページ: 65-68 p

原稿種別: 日本語

PDFファイルサイズ: 986 Kバイト