Virtual Sensing of Wind Turbine Loads With Multi‐Hidden Markov Models for Above‐Rated Wind Speeds
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 The growing demand for wind energy necessitates efficient health monitoring strategies to ensure the long‐term reliability of wind turbines. Monitoring critical loads, such as flapwise blade root moments and tower base fore‐aft moments, is crucial for preventing turbine fatigue and failure. However, direct measurements through physical sensors are costly, time‐consuming, and limited to specific locations. This study introduces a probabilistic data‐driven virtual sensing framework that uses multi‐hidden Gauss‐Markov model (Multi‐HGMM) to estimate these loads by capturing the relationship between measurable quantities and key structural metrics, without requiring extensive physical sensors. An expectation–maximization algorithm is used to determine the HGMM parameters from a comprehensive dataset. This dataset includes routinely recorded SCADA data, such as wind speed, rotor speed, and pitch angles, along with additional key features that were carefully selected for their relevance to load estimation. In a subsequent stage that includes operational measurement data, the probabilistic HGMM can be used to estimate loads. We validate our approach on a 5‐MW wind turbine model developed by the National Renewable Energy Laboratory (NREL), for above‐rated wind speeds where turbines face heightened loads due to increased aerodynamic forces, critical for structural integrity. The results demonstrated that the multi‐HGMM approach achieved a mean absolute error of approximately 6% for estimating both the tower base moment and flapwise moment when incorporating tower top accelerations and shaft bending moments alongside baseline features. By reducing reliance on physical sensors, this virtual sensing methodology offers a scalable, cost‐effective solution for wind turbine monitoring.
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