論文の概要: A Novel Proposal in Wind Turbine Blade Failure Detection: An Integrated Approach to Energy Efficiency and Sustainability
- arxiv url: http://arxiv.org/abs/2512.16437v1
- Date: Thu, 18 Dec 2025 11:45:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.036166
- Title: A Novel Proposal in Wind Turbine Blade Failure Detection: An Integrated Approach to Energy Efficiency and Sustainability
- Title（参考訳）: 風車ブレード故障検出の新しい提案:エネルギー効率と持続可能性への統合的アプローチ
- Authors: Jordan Abarca-Albores, Danna Cristina Gutiérrez Cabrera, Luis Antonio Salazar-Licea, Dante Ruiz-Robles, Jesus Alejandro Franco, Alberto-Jesus Perea-Moreno, David Muñoz-Rodríguez, Quetzalcoatl Hernandez-Escobedo,
- Abstract要約: 本稿では,風力タービン翼の故障を計算学習技術を用いて検出する新しい手法を提案する。
提案手法は風力タービン翼の早期故障検出に対する新しいアプローチを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel methodology for detecting faults in wind turbine blades using com-putational learning techniques. The study evaluates two models: the first employs logistic regression, which outperformed neural networks, decision trees, and the naive Bayes method, demonstrating its effectiveness in identifying fault-related patterns. The second model leverages clustering and achieves superior performance in terms of precision and data segmentation. The results indicate that clustering may better capture the underlying data characteristics compared to supervised methods. The proposed methodology offers a new approach to early fault detection in wind turbine blades, highlighting the potential of integrating different computational learning techniques to enhance system reliability. The use of accessible tools like Orange Data Mining underscores the practical application of these advanced solutions within the wind energy sector. Future work will focus on combining these methods to improve detection accuracy further and extend the application of these techniques to other critical components in energy infrastructure.
- Abstract（参考訳）: 本稿では,風力タービン翼の故障を計算学習技術を用いて検出する新しい手法を提案する。
この研究は2つのモデルを評価する。最初のモデルはロジスティック回帰を採用し、ニューラルネットワーク、決定木、単純ベイズ法を上回り、断層関連パターンの同定の有効性を実証した。
2つ目のモデルはクラスタリングを活用し、精度とデータセグメンテーションの点で優れたパフォーマンスを達成する。
その結果、クラスタリングは、教師付き手法と比較して、基礎となるデータ特性をよりよく捉えている可能性が示唆された。
提案手法は風力タービン翼の早期故障検出に対する新しいアプローチを提供し,システムの信頼性を高めるために異なる計算学習技術を統合する可能性を強調した。
オレンジ・データ・マイニング(Orange Data Mining)のようなアクセス可能なツールの使用は、風力エネルギー分野におけるこれらの先進的なソリューションの実践的応用を強調している。
今後の研究は、これらの手法を組み合わせることで、検出精度をさらに向上し、これらの手法をエネルギーインフラにおける他の重要なコンポーネントにも適用することに注力する。
関連論文リスト
- 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) - Efficient Visual Fault Detection for Freight Train Braking System via
Heterogeneous Self Distillation in the Wild [8.062167870951706]
本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。
我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。
我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
論文 参考訳（メタデータ） (2023-07-03T01:27:39Z) - Hard Sample Mining Enabled Supervised Contrastive Feature Learning for
Wind Turbine Pitch System Fault Diagnosis [7.852044842211392]
ピッチシステムにおける複数の健康状態は、それらを正確に分類する際の課題を引き起こす。
本稿では,ハードサンプルマイニングによる教師付きコントラスト学習に基づく新しい手法を提案する。
提案手法は, 故障診断性能の大幅な向上を示す。
論文 参考訳（メタデータ） (2023-06-26T13:47:38Z) - A Novel Correlation-optimized Deep Learning Method for Wind Speed
Forecast [12.61580086941575]
風力発電の設置率の増加は、世界的電力システムに大きな課題をもたらす。
深層学習は風速予測に徐々に応用される。
新しい認知と記憶ユニット(CMU)は、従来のディープラーニングフレームワークを強化するために設計されている。
論文 参考訳（メタデータ） (2023-06-03T02:47:46Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳（メタデータ） (2022-06-21T01:46:38Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-04-17T20:21:47Z)
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。