设备健康评估：面向风力涡轮机性能的时间序列分析
机器学习
2024-03-05 v1 人工智能
泛函分析
应用统计
摘要
在本研究中，我们利用来自不同风力涡轮机的 SCADA 数据，采用先进的时间序列方法，特别是函数神经网络（FNN）和长短期记忆（LSTM）网络来预测功率输出。一项关键创新在于 FNN 和 LSTM 模型的集成，利用其集体学习优势。这种集成方法优于单个模型，确保了稳定且准确的功率输出预测。此外，应用机器学习技术检测风力涡轮机性能退化，从而实现主动维护策略和健康评估。至关重要的是，我们的分析揭示了每台风力涡轮机的独特性，需要定制化模型以实现最优预测。这些见解强调了为不同涡轮机提供自动化定制的重要性，以降低人工建模工作量。重要的是，本分析中开发的方法不仅限于风力涡轮机；它们可以扩展到预测和优化各种机械的性能，突显了我们的研究在多种工业背景下的通用性和适用性。
引用
@article{arxiv.2403.00975,
title = {Equipment Health Assessment: Time Series Analysis for Wind Turbine Performance},
author = {Jana Backhus and Aniruddha Rajendra Rao and Chandrasekar Venkatraman and Abhishek Padmanabhan and A. Vinoth Kumar and Chetan Gupta},
journal= {arXiv preprint arXiv:2403.00975},
year = {2024}
}
备注
19 Pages, 17 Figures, 3 Tables, Submitted at Applied Sciences (MDPI)