利用智能采样与双重损失检测CSP电站中破损的吸收管
机器学习
2024-12-02 v1 人工智能
摘要
聚光太阳能(CSP)是引领从化石燃料向可再生能源转型的日益增长的技术之一。系统的复杂性和规模要求增加维护任务以确保可靠性、可用性、可维护性和安全性。目前，使用抛物面槽式集热器系统的CSP电站自动故障检测存在两个主要缺陷：1)所用设备需手动放置在接收管附近；2)基于机器学习的解决方案未在真实电站中测试。我们通过结合使用无人机提取的数据和7座真实电站中传感器提供的数据来解决这两个空白。所得数据集是此类首个数据集，可帮助规范该类型电站故障检测问题的研究活动。我们的工作提出了用于检测CSP电站吸收管破损外管的监督机器学习算法。所提方案考虑了类不平衡问题，在不损害模型整体性能的情况下提升了少数类的算法准确率。对于深度残差网络，我们同时解决不平衡与平衡问题，使少数类的召回率提升5%且不影响F1-score。此外，随机欠采样技术提升了传统机器学习模型的性能，其中直方图梯度提升分类器的F1-score提升幅度最大(3%)。据我们所知，本文是首篇使用运行电站数据为该问题提供自动化解决方案的论文。
引用
@article{arxiv.2211.14077,
title = {Detecting broken Absorber Tubes in CSP plants using intelligent sampling and dual loss},
author = {Miguel Angel Pérez-Cutiño and Juan Sebastián Valverde and José Miguel Díaz-Báñez},
journal= {arXiv preprint arXiv:2211.14077},
year = {2024}
}