論文の概要: Barely-Visible Surface Crack Detection for Wind Turbine Sustainability

• arxiv url: http://arxiv.org/abs/2407.07186v1
• Date: Tue, 9 Jul 2024 19:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 18:41:00.419930
• Title: Barely-Visible Surface Crack Detection for Wind Turbine Sustainability
• Title（参考訳）: タービンサステナビリティのための高可視表面き裂検出
• Authors: Sourav Agrawal, Isaac Corley, Conor Wallace, Clovis Vaughn, Jonathan Lwowski,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The production of wind energy is a crucial part of sustainable development and reducing the reliance on fossil fuels. Maintaining the integrity of wind turbines to produce this energy is a costly and time-consuming task requiring repeated inspection and maintenance. While autonomous drones have proven to make this process more efficient, the algorithms for detecting anomalies to prevent catastrophic damage to turbine blades have fallen behind due to some dangerous defects, such as hairline cracks, being barely-visible. Existing datasets and literature are lacking and tend towards detecting obvious and visible defects in addition to not being geographically diverse. In this paper we introduce a novel and diverse dataset of barely-visible hairline cracks collected from numerous wind turbine inspections. To prove the efficacy of our dataset, we detail our end-to-end deployed turbine crack detection pipeline from the image acquisition stage to the use of predictions in providing automated maintenance recommendations to extend the life and efficiency of wind turbines.
• Abstract（参考訳）: 風力エネルギーの生産は、持続可能な開発と化石燃料への依存を減らす重要な部分である。 このエネルギーを生み出すために風力タービンの完全性を維持することは、繰り返し検査とメンテナンスを必要とするコストと時間を要する作業である。 自律ドローンは、このプロセスをより効率的にすることに成功したが、タービンブレードの破滅的な損傷を防ぐための異常を検出するアルゴリズムは、ヘアラインクラックのような危険な欠陥がほとんど見えないため、遅れている。 既存のデータセットや文献は欠落しており、地理的に多様性がないことに加えて、明らかで目に見える欠陥を検出する傾向にある。 本稿では,多くの風車検査から収集した,目立たないヘアラインひび割れの新しい,多種多様な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, 画像取得段階から風力タービンの寿命と効率を向上するための自動メンテナンスレコメンデーションを提供するための予測まで, エンド・ツー・エンドのタービンき裂検出パイプラインを詳述した。

関連論文リスト

• A Novel Approach for Defect Detection of Wind Turbine Blade Using Virtual Reality and Deep Learning [0.0]
  風力タービンの仮想モデルを構築し,4種類の共通欠陥に対する近接現実像を合成する。 第2のステップでは、タービンブレードの欠陥を分類してセグメント化するために、カスタマイズされたU-Netアーキテクチャが訓練されている。 提案手法は,航空機による自律的,遠隔的検査に適した,適切な欠陥検出精度を提供する。
  論文  参考訳（メタデータ） (2023-12-30T13:58:50Z)
• A real-time material breakage detection for offshore wind turbines based on improved neural network algorithm [0.0]
  本研究は、YOLOv8オブジェクト検出モデルの高度なバージョンを活用する新しいアプローチを提案する。 我々は,Semangeum洋上風力発電所の5,432枚の画像と,公開されているデータセットを用いている。 この結果, 欠陥検出安定性が著しく向上し, タービンの効率向上に向けた重要な歩みが示された。
  論文  参考訳（メタデータ） (2023-07-25T18:50:05Z)
• 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)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• Online Dynamic Reliability Evaluation of Wind Turbines based on Drone-assisted Monitoring [6.3640143289918045]
  風力タービンのオンライン信頼性評価のためのドローン支援監視手法を提案する。 風力タービンの羽根系を実例として,提案手法の実証を行った。
  論文  参考訳（メタデータ） (2022-11-23T19:11:33Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept [0.0]
  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。
  論文  参考訳（メタデータ） (2022-04-28T05:51:48Z)
• 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)
• Modelling the transition to a low-carbon energy supply [91.3755431537592]
  気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。 二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。 排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
  論文  参考訳（メタデータ） (2021-09-25T12:37:05Z)
• 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。