論文の概要: Damage detection in operational wind turbine blades using a new approach based on machine learning

• arxiv url: http://arxiv.org/abs/2101.11711v1
• Date: Mon, 25 Jan 2021 21:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 21:02:21.775680
• Title: Damage detection in operational wind turbine blades using a new approach based on machine learning
• Title（参考訳）: 機械学習に基づく新しい手法を用いた運転用風力タービンブレードの損傷検出
• Authors: Kartik Chandrasekhar, Nevena Stevanovic, Elizabeth J. Cross, Nikolaos Dervilis, Keith Worden
• Abstract要約: 信頼できる構造健康監視(SHM)技術の運用用風力タービンブレードへの適用は困難な課題です。 本稿では,ガウス過程(GP)を用いた新しいSHM手法を提案する。 GP予測と実際の周波数の間の残留誤差のXバー制御チャート分析は、システムが識別および修復される6ヶ月前に損傷の早期開始を成功裏に特定したことを示しています。
• 参考スコア（独自算出の注目度）: 5.706727902661185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of reliable structural health monitoring (SHM) technologies to operational wind turbine blades is a challenging task, due to the uncertain nature of the environments they operate in. In this paper, a novel SHM methodology, which uses Gaussian Processes (GPs) is proposed. The methodology takes advantage of the fact that the blades on a turbine are nominally identical in structural properties and encounter the same environmental and operational variables (EOVs). The properties of interest are the first edgewise frequencies of the blades. The GPs are used to predict the edge frequencies of one blade given that of another, after these relationships between the pairs of blades have been learned when the blades are in a healthy state. In using this approach, the proposed SHM methodology is able to identify when the blades start behaving differently from one another over time. To validate the concept, the proposed SHM system is applied to real onshore wind turbine blade data, where some form of damage was known to have taken place. X-bar control chart analysis of the residual errors between the GP predictions and actual frequencies show that the system successfully identified early onset of damage as early as six months before it was identified and remedied.
• Abstract（参考訳）: 信頼できる構造健康監視(SHM)技術の運用用風力タービンブレードへの適用は、彼らが動作している環境の不確実性のために、困難な作業です。 本稿では,ガウス過程(GP)を用いた新しいSHM手法を提案する。 この手法は、タービン上のブレードが構造特性で公称同一であり、同じ環境および運転変数(EOV)に遭遇するという事実を利用しています。 興味のある特性はブレードの最初のエッジワイズ周波数である。 GPは、ブレードが健全な状態にあるときに、ブレード間のこれらの関係が学習された後、あるブレードのエッジ周波数を予測するために使用される。 このアプローチを用いることで、提案したSHM手法は、ブレードが時間とともに異なる振る舞いを始めるタイミングを特定することができる。 この概念を検証するため, 提案したSHMシステムは, 風力タービンの羽根の実データに適用され, 何らかの損傷が生じたことが判明した。 GP予測と実際の周波数の間の残留誤差のXバー制御チャート分析は、システムが識別および修復される6ヶ月前に損傷の早期開始を成功裏に特定したことを示しています。

関連論文リスト

• Butterfly Effects of SGD Noise: Error Amplification in Behavior Cloning and Autoregression [70.78523583702209]
  深層ニューラルネットワークを用いた行動クローニングの訓練不安定性について検討した。 トレーニング中のSGD更新の最小化は,長期的報奨の急激な振動をもたらすことが観察された。
  論文  参考訳（メタデータ） (2023-10-17T17:39:40Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• A generalised form for a homogeneous population of structures using an overlapping mixture of Gaussian processes [0.0]
  本研究は, 健全な4種類の複合ヘリコプターブレードから収集した振動データについて考察する。 ブレードは名目上は識別できるが区別され、ブレード間の材料特性と形状のわずかな違いは周波数応答関数に有意なばらつきをもたらした。
  論文  参考訳（メタデータ） (2022-06-23T13:19:45Z)
• Prognosis of Rotor Parts Fly-off Based on Cascade Classification and Online Prediction Ability Index [0.0]
  潜在的な失敗の早期発見と予測は、壊滅的なプラントのダウンタイムと経済的な損失を防ぐ可能性がある。 本稿では, 回転機械の動作状態を, 故障時の時間に基づいて, 正常, 危険, リスクの高いものに分割する。 オンライン予測能力指数(OPAI)は、一貫したオンライン予測とより小さなオフライン予測誤差を持つ予測モデルを選択するために提案される。
  論文  参考訳（メタデータ） (2022-03-30T02:28:59Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery [17.639472693362926]
  BladeNetは、教師なしタービンブレードの検出と抽出の両方を行うアプリケーションベースで堅牢なデュアルアーキテクチャである。 我々の二重構造はガラス繊維複合材ブレードの表面欠陥を高い適性で検出する。 BladeNetは、オフショア風力タービンのためのOrstedブレード検査データセットで0.995のAverage Precision(AP)を、デンマーク工科大学(DTU)のNordTankタービン検査データセットで0.223のAverage Precision(AP)を生成しています。
  論文  参考訳（メタデータ） (2021-12-01T15:20:12Z)
• Early fault detection with multi-target neural networks [0.0]
  ドライブトレインコンポーネントの早期故障検出作業にマルチターゲットニューラルネットワークを適用した。 マルチターゲット多層パーセプトロン(MLP)は,少なくとも早期および多くの場合,単一ターゲットよりも早く断層を検出できた。
  論文  参考訳（メタデータ） (2021-06-12T11:35:33Z)
• Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-20T00:46:52Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。