論文の概要: Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept

• arxiv url: http://arxiv.org/abs/2205.03513v1
• Date: Thu, 28 Apr 2022 05:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 01:35:39.460009
• Title: Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept
• Title（参考訳）: 風力タービンギアボックスの故障時予測のためのディジタルツインフレームワーク:概念
• Authors: Mili Wadhwani, Sakshi Deshmukh, Harsh S. Dhiman
• Abstract要約: 風力タービンは複雑な機械であり、回転・非回転装置は故障に敏感である。 風力タービンの故障検出は、しばしば風力発電事業者から利用可能なSCADAデータで補完される。 時系列分析とデータ表現は、動的プロセスのより深い基盤となる強力なツールとなっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wind turbine is a complex machine with its rotating and non-rotating equipment being sensitive to faults. Due to increased wear and tear, the maintenance aspect of a wind turbine is of critical importance. Unexpected failure of wind turbine components can lead to increased O\&M costs which ultimately reduces effective power capture of a wind farm. Fault detection in wind turbines is often supplemented with SCADA data available from wind farm operators in the form of time-series format with a 10-minute sample interval. Moreover, time-series analysis and data representation has become a powerful tool to get a deeper understating of the dynamic processes in complex machinery like wind turbine. Wind turbine SCADA data is usually available in form of a multivariate time-series with variables like gearbox oil temperature, gearbox bearing temperature, nacelle temperature, rotor speed and active power produced. In this preprint, we discuss the concept of a digital twin for time to failure forecasting of the wind turbine gearbox where a predictive module continuously gets updated with real-time SCADA data and generates meaningful insights for the wind farm operator.
• Abstract（参考訳）: 風力タービンは複雑な機械であり、回転・非回転装置は故障に敏感である。 摩耗や裂け目の増加により、風力タービンの保守性は極めて重要である。 風力タービンの部品が予期せぬ故障によりo\&mコストが増大し、最終的に風力発電所の有効電力を削減できる。 風力タービンの故障検出は、10分間のサンプル間隔で時系列形式で風力発電事業者から利用可能なSCADAデータで補足されることが多い。 さらに、時系列分析とデータ表現は、風力タービンのような複雑な機械の動的過程をより深く把握するための強力なツールとなっている。 風力タービンscadaデータは、通常、ギアボックスオイル温度、ギアボックスベアリング温度、ナセル温度、ローター速度、アクティブパワーなどの変数を持つ多変量時系列として利用可能である。 本稿では,予測モジュールがリアルタイムSCADAデータによって継続的に更新される風力タービンギヤボックスの故障予測のためのディジタルツインの概念について議論し,風力発電事業者に有意義な洞察を与える。

関連論文リスト

• Barely-Visible Surface Crack Detection for Wind Turbine Sustainability [0.0]
  本稿では,多くの風車検査から収集したほとんど見えないヘアラインひび割れのデータセットについて紹介する。 本データセットの有効性を証明するため, エンド・ツー・エンドのタービンき裂検出パイプラインについて詳述した。
  論文  参考訳（メタデータ） (2024-07-09T19:03:48Z)
• Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
  本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。 提案モデルは山東省の3つの風力発電所で検証された。
  論文  参考訳（メタデータ） (2023-11-27T03:53:19Z)
• Windformer:Bi-Directional Long-Distance Spatio-Temporal Network For Wind Speed Prediction [21.347186062986726]
  風力発電の管理には風速予測が不可欠である。 本論文では,風力タービンクラスタを複数の非重なり窓に分割し,窓内部の相関関係を計算し,窓間の接続性を提供するWindformerを提案する。 従来の手法と比較して、WindformerのMean Square Error (MSE) は NERL の2つのデータセットで 0.5% から 15% 削減されている。
  論文  参考訳（メタデータ） (2023-11-24T07:06:18Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022 [42.72560292756442]
  本稿では,一意な空間風力予測データセットであるSDWPFを提案する。 このデータセットは風力タービンの空間分布と動的文脈因子を含む。 このデータセットを使用して、Baidu KDD Cup 2022をローンチし、現在のWPFソリューションの限界を調べます。
  論文  参考訳（メタデータ） (2022-08-08T18:38:45Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• 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)
• Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis [42.68418705495523]
  本稿では,地理的に分散した風力発電所の集合的発生の不確かさの予測に焦点をあてる。 近傍の風力発電場における部分的な観測から動的特徴を学習するための時空間モデルを提案する。 中国北西部の6つの風力発電所の実際のデータに基づく数値実験の結果,集合風力発電の不確実性セットは1つの風力発電所のそれよりも揮発性が少ないことがわかった。
  論文  参考訳（メタデータ） (2021-10-07T11:57:16Z)
• Spatio-temporal estimation of wind speed and wind power using machine learning: predictions, uncertainty and technical potential [0.0]
  ここで提示される風力推定は、風力発電量の増加を伴うエネルギーシステムの設計を支援するためのプランナーにとって重要な入力である。 この手法は、スイスのハブ高さ100メートルのタービンに対して250ドル(約2,400円)のグリッド上の時間風力ポテンシャルの研究に応用される。
  論文  参考訳（メタデータ） (2021-07-29T09:52:36Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。