Fault Detection and Isolation in Wind Turbines: Type-3 Fuzzy Logic Systems and Adaptive Random Search Learning
Notice bibliographique
Résumé
Ensuring the reliability of wind energy conversion systems (WECSs) is a crucial task for maximizing energy capture from the wind. A detailed model incorporating mechanical and electrical components is essential for accurately diagnosing system errors and assessing their impact on subsystems. Additionally, a fault detection and isolation system is necessary to quickly identify recurring faults and prevent significant economic losses. This study introduces a fault detection and isolation system using dynamic model of WECS based on type-3 (T3) fuzzy logic systems (FLSs). The adaptive random search (ARS) is employed to optimize the T3-FLS parameters and structure for enhanced fault detection accuracy. T3-FLSs handle higher levels of uncertainty and variability compared to traditional FLSs and neural networks. This allows for more accurate fault detection in complex and dynamic systems. One T3-FLS model replicates the system’s normal operation, while another simulates faulty conditions. These T3-FLS models are run in parallel with the actual plant, allowing for comparison of their outputs with the real system’s outputs to pinpoint error timing and location. The ARS is utilized to train the T3-FLSs, eliminating the need for gradient expression calculations. The appropriate number of rules for the T3-FLS is determined using Akaike and final prediction error criteria. Simulation results demonstrate the system’s ability to rapidly detect and isolate errors with minimal false alarms. This research framework can be applied to identify errors in various system components effectively.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».