論文の概要: A Fault Prognostic System for the Turbine Guide Bearings of a Hydropower Plant Using Long-Short Term Memory (LSTM)
- arxiv url: http://arxiv.org/abs/2407.19040v1
- Date: Fri, 26 Jul 2024 18:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 20:02:28.898335
- Title: A Fault Prognostic System for the Turbine Guide Bearings of a Hydropower Plant Using Long-Short Term Memory (LSTM)
- Title（参考訳）: 長短記憶(LSTM)を用いた水力発電所のタービン誘導軸受の故障予測システム
- Authors: Yasir Saleem Afridi, Mian Ibad Ali Shah, Adnan Khan, Atia Kareem, Laiq Hasan,
- Abstract要約: この研究は、HPPのタービン軸受のための人工的にインテリジェントな断層予測システムを開発することを目的としている。
提案手法は,Long Short-Term Memory (LSTM) アルゴリズムを用いてモデルの開発を行う。
このモデルでは, 振動値の高精度な予測を行い, 極めて低いRMSEを実現している。
- 参考スコア（独自算出の注目度）: 0.2796197251957245
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hydroelectricity, being a renewable source of energy, globally fulfills the electricity demand. Hence, Hydropower Plants (HPPs) have always been in the limelight of research. The fast-paced technological advancement is enabling us to develop state-of-the-art power generation machines. This has not only resulted in improved turbine efficiency but has also increased the complexity of these systems. In lieu thereof, efficient Operation & Maintenance (O&M) of such intricate power generation systems has become a more challenging task. Therefore, there has been a shift from conventional reactive approaches to more intelligent predictive approaches in maintaining the HPPs. The research is therefore targeted to develop an artificially intelligent fault prognostics system for the turbine bearings of an HPP. The proposed method utilizes the Long Short-Term Memory (LSTM) algorithm in developing the model. Initially, the model is trained and tested with bearing vibration data from a test rig. Subsequently, it is further trained and tested with realistic bearing vibration data obtained from an HPP operating in Pakistan via the Supervisory Control and Data Acquisition (SCADA) system. The model demonstrates highly effective predictions of bearing vibration values, achieving a remarkably low RMSE.
- Abstract（参考訳）: 再生可能エネルギー源である水力発電は、世界の電力需要を満たす。
したがって、水力発電所(HPP)は、常に研究のライムライトになっている。
急速な技術進歩により、我々は最先端の発電機を開発することができる。
これによりタービンの効率が向上するだけでなく、これらのシステムの複雑さも増大した。
その代わり、複雑な発電システムの効率的な運用・保守(O&M)がより困難な課題となっている。
したがって、従来の反応性アプローチからHPPを維持するためのよりインテリジェントな予測アプローチへのシフトがあった。
この研究の目的は、HPPのタービン軸受のための人工的にインテリジェントな断層予測システムを開発することである。
提案手法は,Long Short-Term Memory (LSTM) アルゴリズムを用いてモデルの開発を行う。
当初、モデルは試験リグから振動データを取り付けて訓練され、試験される。
その後、パキスタンで実施されているHPP(Supervisory Control and Data Acquisition, SCADA)システムを用いて、現実的なベアリング振動データを用いて、さらに訓練および試験を行う。
このモデルでは, 振動値の高精度な予測を行い, 極めて低いRMSEを実現している。
関連論文リスト
- AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。
現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。
本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T23:52:06Z) - AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。
本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。
本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
論文 参考訳（メタデータ） (2024-08-07T10:06:04Z) - Comprehensive Forecasting-Based Analysis of Hybrid and Stacked Stateful/ Stateless Models [0.0]
風速は再生可能エネルギーの強力な供給源であり、電力生産のための再生不可能な資源の代替として利用することができる。
本稿では,4つのディープリカレントニューラルネットワークについて論じる。スタックドステートレスLSTM,スタックドステートレスGRU,スタックドステートフルLSTM,スタックドステートフルGRU。
本論文は,それらのアーキテクチャを記述したモデルの性能を包括的に分析し,RMSE値の助けを借りて効率よく結果を導き出す。
論文 参考訳（メタデータ） (2024-04-30T07:18:10Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - 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) - 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) - EVE: Environmental Adaptive Neural Network Models for Low-power Energy
Harvesting System [8.16411986220709]
環境からエネルギーを回収するエネルギー収穫技術は、これらのデバイスを動かすための電池に代わる有望な選択肢だ。
本稿では,エネルギ収穫用IoTデバイスを共有重み付きで検索する機械学習フレームワークであるEVEを提案する。
実験結果から、EVEが生成するニューラルネットワークモデルは、プルーニングや共有重みのないベースラインモデルよりも平均2.5倍高速であることがわかった。
論文 参考訳（メタデータ） (2022-07-14T20:53:46Z) - Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting [5.478764356647437]
本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。
提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
論文 参考訳（メタデータ） (2022-07-06T11:02:23Z) - Automated Few-Shot Time Series Forecasting based on Bi-level Programming [5.760976250387322]
本稿では,バイレベルプログラミングの観点から,数発の学習パイプラインの最適設計を自動化するBiLO-Auto-TSF/MLフレームワークを開発する。
提案したBiLO-Auto-TSF/MLフレームワークの有効性を総合的に検証した。
論文 参考訳（メタデータ） (2022-03-07T12:15:14Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z) - 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。