本文使用深度学习构建了一个可靠的风力涡轮机叶片损伤检测模型，降低了风电成本并增加了可持续风能发展。

Jul, 2022

通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。

Dec, 2023

为实现风力涡轮机的结构健康监测，我们提出了一种新型分割算法，它利用已知数据填补空洞，使用组合损失函数加正则化项，并通过随机森林消除错误分类，最终实现了高达 97.39% 的准确率。

Jun, 2023

通过引入 YOLOv8 目标检测模型的高级版本，结合卷积块注意力模块（CBAM）来改善特征识别，进一步优化损失函数，本研究在 Saemangeum 海上风力发电场和公开可用的数据集上进行了严格测试，结果显示缺陷检测稳定性显著提高，对于高效的涡轮维护迈出了重要一步，为未来的研究提供了启示，有可能革新可持续能源实践。

Jul, 2023

本文介绍了一种基于无人机辅助监测的风力涡轮机在线可靠性评估方法。

Nov, 2022

本文运用统计计算方法，对风能领域人工智能技术的概念和主题演进进行了系统综述，提出了人工智能技术在风电设备运维中的挑战和应对策略，旨在鼓励更多组织采用数据驱动的决策技术，以实现风能可靠性的增强和全球应对气候变化的目标。

Mar, 2022

使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

Jul, 2023

为了解决风力发电机叶片损伤的健康和生态问题，本文提出了一种新的基于 YOLOv5 的鸟类检测模型，该模型使用了 CBAM 注意机制和 RetinexNet 网络来提高网络性能，实验结果表明，该模型检测鸟类的准确度可以达到 87.40％，且该模型可以在夜晚，雨天和震动环境下表现出强的稳定性，证明了该模型能够确保风力发电机的安全稳定运行。

Jun, 2023

利用信号处理和机器学习方法，通过对全面振动分析数据的分析，以确定在飞行前后运行过程中叶片缺陷的存在，为未来智能城市的关键基础设施部分 —— 无人机，提供了恒定的监控以确保其可靠性。

Apr, 2024

该论文引入了可解释的人工智能框架，通过 Shapley 值和最新的可解释 AI for 回归方法，从 SCADA 数据中学习风力发电机功率曲线模型。研究结果表明，学习策略可以更好地指示模型的鲁棒性，比验证集或测试集错误更有用。本文提出了在风力涡轮机性能监测中利用 XAI 的方案，最终目标是选取更透明和鲁棒的数据驱动风力涡轮机功率曲线模型。

Apr, 2023