論文の概要: Equipment Health Assessment: Time Series Analysis for Wind Turbine Performance

• arxiv url: http://arxiv.org/abs/2403.00975v1
• Date: Fri, 1 Mar 2024 20:54:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 15:48:47.057518
• Title: Equipment Health Assessment: Time Series Analysis for Wind Turbine Performance
• Title（参考訳）: 設備ヘルスアセスメント:風力タービンの性能の時系列分析
• Authors: Jana Backhus, Aniruddha Rajendra Rao, Chandrasekar Venkatraman, Abhishek Padmanabhan, A.Vinoth Kumar, Chetan Gupta
• Abstract要約: 各種風力タービンのSCADAデータを利用して出力を予測する。 重要なイノベーションは、FNNとLSTMモデルのアンサンブルであり、それらの集合的学習に乗じている。 風力タービンの性能劣化を検知するために機械学習技術が適用され、アクティブなメンテナンス戦略が実現された。
• 参考スコア（独自算出の注目度）: 1.533848041901807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we leverage SCADA data from diverse wind turbines to predict power output, employing advanced time series methods, specifically Functional Neural Networks (FNN) and Long Short-Term Memory (LSTM) networks. A key innovation lies in the ensemble of FNN and LSTM models, capitalizing on their collective learning. This ensemble approach outperforms individual models, ensuring stable and accurate power output predictions. Additionally, machine learning techniques are applied to detect wind turbine performance deterioration, enabling proactive maintenance strategies and health assessment. Crucially, our analysis reveals the uniqueness of each wind turbine, necessitating tailored models for optimal predictions. These insight underscores the importance of providing automatized customization for different turbines to keep human modeling effort low. Importantly, the methodologies developed in this analysis are not limited to wind turbines; they can be extended to predict and optimize performance in various machinery, highlighting the versatility and applicability of our research across diverse industrial contexts.
• Abstract（参考訳）: 本研究では,各種風力タービンのSCADAデータを用いて出力予測を行い,特に関数型ニューラルネットワーク(FNN)とLong Short-Term Memory(LSTM)ネットワークを用いる。 重要なイノベーションは、FNNとLSTMモデルのアンサンブルであり、それらの集合的学習に乗じている。 このアンサンブルアプローチは個々のモデルより優れ、安定かつ正確な出力予測を保証する。 さらに,風力タービンの性能劣化を検出する機械学習技術を適用し,積極的メンテナンス戦略と健康評価を可能にする。 その結果,各風力タービンの固有性が明らかとなり,最適予測のために調整モデルが必要となった。 これらの洞察は、人間のモデリングの労力を低く抑えるために、異なるタービンに自動化されたカスタマイズを提供することの重要性を強調している。 この分析で開発された手法は風力タービンに限らず、様々な機械の性能を予測し最適化するために拡張することができ、様々な産業分野における我々の研究の汎用性と適用性を強調している。

関連論文リスト

• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [62.73424880653293]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• An XAI framework for robust and transparent data-driven wind turbine power curve models [0.8547032097715571]
  風力タービン動力曲線モデルは周囲の条件をタービン出力に変換する。 近年、複雑化する機械学習手法がこのタスクの最先端となっている。 本稿では,データ駆動パワーカーブモデルから得られた戦略を検証し,検証するための説明可能な人工知能フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T17:37:58Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• XAI for transparent wind turbine power curve models [0.0]
  我々はShapley値とXAIを使って、機械学習モデルが運用風力タービンデータから学んだ戦略を明らかにする。 この結果から,テストセットのパフォーマンスを重視した,より大規模なモデルアーキテクチャへのトレンドが,物理的に理解不能なモデル戦略をもたらすことが判明した。 本稿では,風力タービン性能モニタリングの文脈における根本原因解析の実践的手法を提案する。
  論文  参考訳（メタデータ） (2022-10-21T16:59:06Z)
• 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)
• 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)
• Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
  我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。 風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。 私たちのアプローチは、そのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-04-02T04:22:22Z)

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。