Hybrid quantum-inspired proximal policy optimization for fault detection in wind turbine on supervisory control and data acquisition system
Notice bibliographique
Résumé
Fault detection in wind turbine systems remains a significant challenge due to variable operational conditions, the complexity of Supervisory Control and Data Acquisition (SCADA) signals, and the high dimensionality of real-time data. Traditional machine learning and reinforcement learning approaches often encounter limitations such as manual hyperparameter tuning, slow convergence, and susceptibility to local minima. These issues contribute to high false alarm rates and hinder the effectiveness of predictive maintenance strategies. To overcome these challenges, we propose a novel Hybrid Quantum-Inspired Proximal Policy Optimization (QGA-PPO) framework. This method combines the exploratory power of Quantum Genetic Algorithms (QGA) with the adaptive learning capabilities of Proximal Policy Optimization (PPO). The QGA component autonomously optimizes hyperparameters and refines the feature space, thereby enhancing the stability and robustness of PPO policies in complex SCADA environments. We evaluated the proposed framework using real-world SCADA data from 2.5 MW wind turbines. The QGA-PPO model achieved a 97.5% fault detection precision, reduced false alarms by 20%, and exhibited a 30% improvement in convergence speed compared to baseline PPO models. These results confirm the model’s effectiveness for advanced, real-time fault monitoring. Moreover, the framework demonstrates strong scalability, making it suitable for both individual wind turbines and large-scale wind farm systems. This research highlights the potential of quantum-inspired reinforcement learning for enabling autonomous fault tolerance and predictive maintenance in next-generation wind energy infrastructures.
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 | 0,001 | 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 ».