根據(jù)加拿大風(fēng)能咨詢公司TechnoCentre Eolien(TCE)的數(shù)據(jù)顯示,由于結(jié)冰,能源生產(chǎn)損失高達(dá)20%,更糟糕的是,隨著時間的推移,從葉片脫落的冰可能會損壞其它葉片或使內(nèi)部部件承受過大的壓力,需要進(jìn)行昂貴的維修。現(xiàn)在終于推出了一個用于檢測風(fēng)力渦輪機(jī)結(jié)冰的人工智能系統(tǒng),將更好的解決這個問題。
該人工智能系統(tǒng)以一種數(shù)據(jù)驅(qū)動的方法,通過實(shí)時信號精確檢測葉片結(jié)冰情況,這樣除冰過程可以縮短響應(yīng)時間并自動啟動。該團(tuán)隊(duì)的系統(tǒng)WaveletFCNN,是基于傅里葉卷積神經(jīng)網(wǎng)絡(luò)(FCNN),一種用于時間序列分類的全卷積神經(jīng)網(wǎng)絡(luò)。它通過小波的系數(shù)來增強(qiáng),小波的振幅從0開始,然后逐漸增大,最后減小到0。在測試中,WaveletFCNN在85個數(shù)據(jù)集中有64個數(shù)據(jù)優(yōu)于最先進(jìn)的人工智能系統(tǒng),隨后它被用于檢測從風(fēng)力發(fā)電場收集到的異常信號。
風(fēng)力發(fā)電機(jī)
研究人員首先訓(xùn)練WaveletFCNN對時間序列進(jìn)行分類。一系列按時間順序編入索引的數(shù)據(jù)點(diǎn),由通用傳感器生成的輸入數(shù)據(jù)記錄風(fēng)速、內(nèi)部溫度、偏航位置、俯仰角、功率輸出以及其它天氣和渦輪條件。然后,他們設(shè)計(jì)了一個二級組件,異常監(jiān)測算法,來探測凍結(jié)葉片數(shù)據(jù)中的信號。在對風(fēng)力渦輪機(jī)制造商金風(fēng)公司的數(shù)據(jù)進(jìn)行的一組仿真中,WaveletFCNN的預(yù)測精度為81.82%,而原始FCNN分類器的預(yù)測精度為65.91%。
研究人員承認(rèn),像WaveletFCNN這樣的人工智能模型有時與較小的訓(xùn)練語料庫的對應(yīng)過于緊密,并表示,針對每臺渦輪機(jī)的訓(xùn)練分離模型可以更好地解釋氣候和工作狀態(tài)的變化。他們相信該系統(tǒng)和其它類似的系統(tǒng)可以幫助防止渦輪機(jī)因結(jié)冰而受損,他們計(jì)劃在未來將其應(yīng)用于現(xiàn)實(shí)世界的風(fēng)力發(fā)電場。
他們并不是第一個用人工智能檢測風(fēng)力渦輪機(jī)損壞的公司。上海和西雅圖的Clobotics公司也正在開發(fā)一種使用拍照無人機(jī)的平臺,該平臺可以將數(shù)據(jù)提供給識別受損部件的機(jī)器學(xué)習(xí)模型。