基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

Jul, 2022

基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

A Deep Learning Framework for Wind Turbine Repair Action Prediction Using Alarm Sequences and Long Short Term Memory Algorithms

PDF

Connor Walker, Callum Rothon, Koorosh Aslansefat, Yiannis Papadopoulos, Nina Dethlefs

TL;DR该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

Abstract

With an increasing emphasis on driving down the costs of Operations and Maintenance (O&M) in the offshore wind (OSW) sector, comes the requirement to explore new methodology and applications of deep learning (DL)

offshore wind deep learning condition-based monitoring alarm sequence modelling long short-term memory

发现论文，激发创造

设备健康评估：风力发电机性能的时序分析

利用 SCADA 数据和先进的时间序列方法（FNN 和 LSTM 网络），我们预测不同风力涡轮的发电量，同时提出了集成 FNN 和 LSTM 模型的新方法以提高预测的稳定性和准确性。此外，我们应用机器学习技术来检测风力涡轮性能的退化，从而实现主动维护策略和健康评估。这些研究结果突显了为不同涡轮提供自动化定制的重要性。值得注意的是，该研究方法不仅适用于风力涡轮，还可在各种机械设备中扩展，突出了我们研究的多样性和适用性。

Mar, 2024

一种基于深度知识学习的风速预测新方法

提出了一种基于深度知识的学习方法，该方法使用预训练方法和自编码器结构来提高数据表示和建模，以预测风电的风速和功率。

Jun, 2023

鲁棒 - MBDL: 旋转机器剩余使用寿命预测和运行状态识别的鲁棒多分支深度学习模型

提出了一种用于旋转机器的剩余有用寿命预测和工况操作识别的鲁棒的多支路深度学习系统，该系统由 LSTM-Autoencoder、特征提取和多支路深度学习网络构成，实验证明该系统在轴承机器的实际应用中表现优于现有系统。

Sep, 2023

基于图神经网络和深度学习的风电场功率预测：注意力机制捕捉尾流损失

本文提出了一种基于图神经网络的模块化框架，结合注意力机制在风力发电中对功率产量进行预测。结果表明，该模型明显优于多层感知机和双向 LSTM 模型，同时其性能与传统的图神经网络模型相当；同时，该框架可以根据需求进行灵活调整，提高了自适应能力。通过注意力权重的分析，表明该框架可以在风力发电数据分析中提供洞察力，特别是注意力网络可以意识到相邻涡轮之间的依赖以及与唤醒损失有关的物理直觉。

Jan, 2022

飞机发动机预测性维护的可解释性系统评述

利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

Sep, 2023

比较 LSTM 和双向 LSTM 深度神经网络在电力消耗预测中的应用

比较了两种深度学习模型 —— 长短期记忆网络（LSTM）和双向 LSTM（BLSTM）在电力消耗时间序列（TS）短期预测方面的效果，利用不同背景和规模的四个数据集，其中 BLSTM 表现优于 LSTM。

May, 2023

基于多变量时间序列的机器故障预测：一个工业案例研究

通过评估不同的历史数据量和预测未来时间范围，以预测系统故障的性能表现，研究发现预测窗口的大小对性能起关键作用，并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性，以及机器学习在分类相似和重复模式的数据方面的有效性。

Feb, 2024

基于长短期记忆模型的多元工业时间序列防篡改检测仿真

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

DA-LSTM: 基于 LSTM 网络的区间负荷预测的动态漂移自适应学习框架

本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

May, 2023

AI 增强模拟指导操作

使用长短期记忆（LSTM）神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据，并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据，通过对 LAMP 船舶运动响应数据进行训练后，将历史天气输入到 SimpleCode 和 LSTM 网络中，与高保真度结果进行比较。

Jul, 2023