面向聚变热电站的基于风险的阈值化用于可靠异常检测
机器学习
2025-08-07 v2 计算机视觉与模式识别
摘要
高温太阳接收器的运行效率和可靠性对于满足日益增长的可持续能源需求至关重要。然而，这些接收器面临严重的运行风险，如冻结、变形和腐蚀，导致高昂的停机和维护成本。为监控 CSP 站点，安装在太阳接收器上的摄像机在一天中的不规则间隔（从一分钟到五分钟）记录红外图像。通过对异常得分进行阈值化来检测异常图像，其中阈值 chosen to optimize metrics such as the F1-score on a validation set。本工作提出了一个框架，使用风险控制为生成更可靠决策阈值的框架，确保对任意选定风险函数具有有限样本覆盖保证。我们的框架还包含一种退让机制，允许高风险预测交由领域专家处理。其次，我们提出了一种密度预测方法来估计给定一系列先前观察图像的观察图像likelihood，用该likelihood作为其异常得分。最后，我们分析了我们框架在多个训练场景下跨越数月在两个 CSP 站点的部署结果。该分析为我们的行业合作伙伴优化维护操作提供了宝贵的见解。鉴于我们数据集的机密性，我们提供了一个扩展的模拟数据集，利用最新的生成模型进展创建多样化的热图像，以模拟多个 CSP 站点。我们的代码已公开提供。
引用
@article{arxiv.2503.19146,
title = {Risk-Based Thresholding for Reliable Anomaly Detection in Concentrated Solar Power Plants},
author = {Yorick Estievenart and Sukanya Patra and Souhaib Ben Taieb},
journal= {arXiv preprint arXiv:2503.19146},
year = {2025}
}