A New Hybrid Fault Detection Method for Wind Turbine Blades Using Recursive PCA and Wavelet-Based PDF
Pourquoi ce travail est-il 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.
Prédiction distillée sur la base complète
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.
- Catégories candidates
- aucune
- Catégories consensuelles
- aucune
- Domaine
- Signal candidat: aucuneSignal consensuel: aucune
- Devis d'étude
- Signal candidat: Expérimental (laboratoire)Signal consensuel: Expérimental (laboratoire)
- Genre
- Signal candidat: EmpiriqueSignal consensuel: Empirique
- Score de désaccord entre enseignants
- 0,264
- Score d'incertitude au seuil
- 0,993
- Statut de validation
machine_predicted_unvalidated·codex-gemma-dda1882f352a
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)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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
Résumé
This paper introduces a new condition monitoring approach for extracting fault signatures in wind turbine blades by utilizing the data from a real-time Supervisory Control and Data Acquisition (SCADA) system. A hybrid fault detection system based on a combination of Generalized Regression Neural Network Ensemble for Single Imputation (GRNN-ESI) algorithm, Principal Component Analysis (PCA), and wavelet-based Probability Density Function (PDF) approach is proposed in this work. The proposed fault detection strategy accurately detects incipient blade failures and leads to improved maintenance cost and availability of the system. Experimental test results based on data from a wind farm in southwestern Ontario, Canada, illustrate the effectiveness and high accuracy of the proposed monitoring approach.
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.
La notice
- Revue
- IEEE Sensors Journal
- Thématique
- Machine Fault Diagnosis Techniques
- Domaine
- Engineering
- Établissements canadiens
- University of Windsor
- Organismes subventionnaires
- Natural Sciences and Engineering Research Council of CanadaOntario Centres of Excellence
- Mots-clés
- SCADAFault detection and isolationPrincipal component analysisWaveletTurbineArtificial neural networkEngineeringFault (geology)Wind powerCondition monitoringComputer scienceData modelingData miningPattern recognition (psychology)Artificial intelligence
- Résumé présent dans OpenAlex
- oui