Multi-head attention transformer and Bayesian inference recommendation engine-based blade icing detection framework for wind turbines
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
Abstract Icing accumulation on wind turbine blades significantly diminishes power output and revenue generation. Traditional icing detection methods, including sensor-based and model-based approaches, heavily rely on domain knowledge, contrasting with data-centric methods. However, a balanced distribution of normal and abnormal instances in wind turbine data is imperative. In this research, we propose a framework for blade icing detection utilizing a multi-head attention mechanism-based transformer. Supervisory control and data acquisition (SCADA) data is collected from wind turbines on Hitra Island, Norway, with a 10-min average interval over 12 months. To address dimensionality challenges, an autoencoder-based data compression technique is employed, followed by the application of a multi-head attention transformer for icing detection. We investigate and compare the performance of two baseline deep learning methods: convolutional neural network (CNN) and Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM), against our proposed transformer framework. The results demonstrate superior accuracy and F1-score by the proposed model compared to CNN and CNN-LSTM. Additionally, we delve into a recommendation engine grounded in Bayesian inference. This engine assesses the risk associated with specific control actions, estimating conditional risk for icing and non-icing events on wind turbine blades. This Bayesian recommendation engine holds promise for real-time deployment scenarios.
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