Fugu-MT 論文翻訳(概要): Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data

論文の概要: Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data

arxiv url: http://arxiv.org/abs/2101.07914v1
Date: Wed, 20 Jan 2021 00:46:52 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:22:01.845479
Title: Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data
Title（参考訳）: SCADAデータに基づく風車ブレードのインテリジェントアイシング検出モデル
Authors: Wenqian Jiang, Junyang Jin
Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diagnosis of ice accretion on wind turbine blades is all the time a hard nut to crack in condition monitoring of wind farms. Existing methods focus on mechanism analysis of icing process, deviation degree analysis of feature engineering. However, there have not been deep researches of neural networks applied in this field at present. Supervisory control and data acquisition (SCADA) makes it possible to train networks through continuously providing not only operation parameters and performance parameters of wind turbines but also environmental parameters and operation modes. This paper explores the possibility that using convolutional neural networks (CNNs), generative adversarial networks (GANs) and domain adaption learning to establish intelligent diagnosis frameworks under different training scenarios. Specifically, PGANC and PGANT are proposed for sufficient and non-sufficient target wind turbine labeled data, respectively. The basic idea is that we consider a two-stage training with parallel GANs, which are aimed at capturing intrinsic features for normal and icing samples, followed by classification CNN or domain adaption module in various training cases. Model validation on three wind turbine SCADA data shows that two-stage training can effectively improve the model performance. Besides, if there is no sufficient labeled data for a target turbine, which is an extremely common phenomenon in real industrial practices, the addition of domain adaption learning makes the trained model show better performance. Overall, our proposed intelligent diagnosis frameworks can achieve more accurate detection on the same wind turbine and more generalized capability on a new wind turbine, compared with other machine learning models and conventional CNNs.
Abstract（参考訳）: 風力タービンの羽根に氷が付着していることの診断は、風力発電所の状況監視において、常に困難である。既存の手法では, ic化過程の機構解析, 特徴工学の偏差度解析に焦点をあてている。しかし、現在、この分野にニューラルネットワークを応用した深い研究は行われていない。監視制御とデータ取得(SCADA)により、風力タービンの運転パラメータと性能パラメータだけでなく、環境パラメータと運転モードを継続的に提供し、ネットワークを訓練することができる。本稿では、畳み込みニューラルネットワーク(CNN)、生成敵対ネットワーク(GAN)、ドメイン適応学習を用いて、異なるトレーニングシナリオ下でインテリジェントな診断フレームワークを確立する可能性について検討する。具体的には, PGANC と PGANT は, 目標風力タービンラベル付きデータに対して, それぞれ十分かつ不十分であることを示す。基本的な考え方は、通常のサンプルとアイシングサンプルの固有の特徴を捉えるために、並列GANを用いた2段階の訓練を行い、その後、様々なトレーニングケースでCNNやドメイン適応モジュールを分類することである。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。さらに、実際の産業実践において非常に一般的な目標タービンに十分なラベル付きデータがない場合、ドメイン適応学習の追加により、訓練されたモデルの性能が向上する。提案するインテリジェント診断フレームワークは,他の機械学習モデルや従来のCNNと比較して,同じ風力タービン上でのより正確な検出と,新しい風力タービン上でのより汎用的な機能を実現することができる。