您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
AI系统可精确检测漩涡机结冰情况，自动启动除冰程序
2019年02月19日 由 三更梧桐雨 发表
86103
0
加拿大风能行业咨询公司Technocentre Eolien(TCE)称，在一些风电场报告中，结冰导致的能源生产损失高达20%。随着时间的推移，叶片脱冰会损坏其他叶片或使内部部件承受过大的压力，因此必须进行维修，且费用昂贵。
对于一个检测风力涡轮机结冰的人工智能系统来说，他就需要具备一项重要的现实作用。幸运的是，这正是一组研究人员最近在预印本服务器arxiv.org（“Waveletfcnn:A Deep Time Series Classification Model for Wind Turbine Blade Icking Detection”）上发表的一篇论文中所描述的功能。
文章中写道:“我们提出了一种数据驱动的方法来精确地检测叶片结冰的实时信号，这样……除冰程序就可以在非常短的响应时间内自动启动。” “我们有效地将深层神经网络和小波变换结合起来，在一段时间内依次识别此类故障。”
该团队的系统WaveletFCNN基于傅立叶卷积神经网络(FCNN)，这是一种用于时间序列分类的全卷积神经网络。它由小波系数放大，小波振荡的振幅从零开始，在减小到零之前增加。（它们看起来就像你在地震仪或心脏监视器上看到的山峰和山谷。）在测试中，WaveletFCNN是由85个数据集中出的64个数据集，它的性能优于最先进的人工智能系统，随后它被用于检测从风电场收集的异常信号。
研究人员首先训练WaveletFCNN对时间序列进行分类，即按时间顺序索引的系列数据点、输入数据由通用传感器生成，记录风速，内部温度，偏航位置，俯仰角，功率输出和其他天气和涡轮机状况。随后，他们设计了一个辅助组件——异常监测算法——来检测冻结叶片数据中的信号。在对中国最大的风力涡轮机制造商之一金风公司的数据进行的一组模拟中，小波神经网络的预测准确率为81.82%，而原始的FCNN分类器的预测准确率为65.91%。
研究人员认为，像WaveletfCNN这样的人工智能模型有时可能与较小的训练语料库过于接近，并表示，为每个涡轮机训练单独的模型将更好地解释气候和工作状态的变化。尽管如此，他们相信，该系统和其他类似系统可以帮助防止涡轮机损坏难以检测的积冰，他们计划在未来现实的风电场中大力推广使用。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消