根據(jù)加拿大風(fēng)能咨詢公司TechnoCentre Eolien（TCE）的數(shù)據(jù)顯示，由于結(jié)冰，能源生產(chǎn)損失高達(dá)20%，更糟糕的是，隨著時(shí)間的推移，從葉片脫落的冰可能會(huì)損壞其它葉片或使內(nèi)部部件承受過(guò)大的壓力，需要進(jìn)行昂貴的維修?，F(xiàn)在終于推出了一個(gè)用于檢測(cè)風(fēng)力渦輪機(jī)結(jié)冰的人工智能系統(tǒng)，將更好的解決這個(gè)問(wèn)題。

　　該人工智能系統(tǒng)以一種數(shù)據(jù)驅(qū)動(dòng)的方法，通過(guò)實(shí)時(shí)信號(hào)精確檢測(cè)葉片結(jié)冰情況，這樣除冰過(guò)程可以縮短響應(yīng)時(shí)間并自動(dòng)啟動(dòng)。該團(tuán)隊(duì)的系統(tǒng)WaveletFCNN，是基于傅里葉卷積神經(jīng)網(wǎng)絡(luò)(FCNN)，一種用于時(shí)間序列分類的全卷積神經(jīng)網(wǎng)絡(luò)。它通過(guò)小波的系數(shù)來(lái)增強(qiáng)，小波的振幅從0開始，然后逐漸增大，最后減小到0。在測(cè)試中，WaveletFCNN在85個(gè)數(shù)據(jù)集中有64個(gè)數(shù)據(jù)優(yōu)于最先進(jìn)的人工智能系統(tǒng)，隨后它被用于檢測(cè)從風(fēng)力發(fā)電場(chǎng)收集到的異常信號(hào)。

　　研究人員首先訓(xùn)練WaveletFCNN對(duì)時(shí)間序列進(jìn)行分類。一系列按時(shí)間順序編入索引的數(shù)據(jù)點(diǎn)，由通用傳感器生成的輸入數(shù)據(jù)記錄風(fēng)速、內(nèi)部溫度、偏航位置、俯仰角、功率輸出以及其它天氣和渦輪條件。然后，他們?cè)O(shè)計(jì)了一個(gè)二級(jí)組件，異常監(jiān)測(cè)算法，來(lái)探測(cè)凍結(jié)葉片數(shù)據(jù)中的信號(hào)。在對(duì)風(fēng)力渦輪機(jī)制造商金風(fēng)公司的數(shù)據(jù)進(jìn)行的一組仿真中，WaveletFCNN的預(yù)測(cè)精度為81.82%，而原始FCNN分類器的預(yù)測(cè)精度為65.91%。

　　研究人員承認(rèn)，像WaveletFCNN這樣的人工智能模型有時(shí)與較小的訓(xùn)練語(yǔ)料庫(kù)的對(duì)應(yīng)過(guò)于緊密，并表示，針對(duì)每臺(tái)渦輪機(jī)的訓(xùn)練分離模型可以更好地解釋氣候和工作狀態(tài)的變化。他們相信該系統(tǒng)和其它類似的系統(tǒng)可以幫助防止渦輪機(jī)因結(jié)冰而受損，他們計(jì)劃在未來(lái)將其應(yīng)用于現(xiàn)實(shí)世界的風(fēng)力發(fā)電場(chǎng)。

　　他們并不是第一個(gè)用人工智能檢測(cè)風(fēng)力渦輪機(jī)損壞的公司。上海和西雅圖的Clobotics公司也正在開發(fā)一種使用拍照無(wú)人機(jī)的平臺(tái)，該平臺(tái)可以將數(shù)據(jù)提供給識(shí)別受損部件的機(jī)器學(xué)習(xí)模型。