Prediction of Remaining Useful Life of Wind Turbine Bearings under Non-Stationary Operating Conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wind-powered electricity generation has grown significantly over the past decade. While there are many components that might impact their useful life, the gearbox and generator bearings are among the most fragile components in wind turbines. Therefore, the prediction of remaining useful life (RUL) of faulty or damaged wind turbine bearings will provide useful support for reliability evaluation and advanced maintenance of wind turbines. This paper proposes a data-driven method combining the interval whitenization method with a Gaussian process (GP) algorithm in order to predict the RUL of wind turbine generator bearings. Firstly, a wavelet packet transform is used to eliminate noise in the vibration signals and extract the characteristic fault signals. A comprehensive analysis of the real degradation process is used to determine the indicators of degradation. The interval whitenization method is proposed to reduce the interference of non-stationary operating conditions to improve the quality of health indicators. Finally, the GP method is utilized to construct the model which reflects the relationship between the RUL and health indicators. The method is assessed using actual vibration datasets from two wind turbines. The prediction results demonstrate that the proposed method can reduce the effect of non-stationary operating conditions. In addition, compared with the support vector regression (SVR) method and artificial neural network (ANN), the prediction accuracy of the proposed method has an improvement of more than 65.8%. The prediction results verify the effectiveness and superiority of the proposed method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle