Nov, 2022

利用智能取样和双损失方法检测 CSP 电站中的损坏吸收管

PDF
TL;DR本文介绍了一种使用机器学习算法自动检测集中式太阳能发电厂的损坏和故障问题的自动化解决方案。该方案使用无人机提供数据，以及来自 7 个真实工厂传感器提供数据，同时考虑了分类不平衡问题，有效提高了检测准确率。同时，该研究提供了一个此类数据集，为后续研究提出了标准化的解决思路。
concentrated solar powermaintenancefault detectionmachine learningdata set
发现论文，激发创造
  • 从热图的不规则序列中检测集中式太阳能发电厂的异常操作

    集中式太阳能发电厂的异常检测方法研究，使用深度学习模型对高维热像数据进行特征提取，处理不规则数据、时间依赖和强烈季节性模式等问题，并采用预测模型有效地区分温度异常，实验证明了方法的有效性以及对发电厂维护提供的关键见解。

    Jun, 2024

  • 揭示不可见之处：使用无监督感知算法和三维增强现实技术增强太阳能光伏电池模块老化区域的检测和分析

    本文提出了一种使用无监督传感算法和三维增强现实可视化来自动识别和分析太阳能光伏（PV）电池模块中的异常现象的方法，以增强效率并显著降低 PV 系统维护成本。

    Jul, 2023

  • 电力线路绝缘子自动检测的异常检测

    基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障，结果表明在较少的真实异常样本训练集下，该模型能够准确地识别绝缘子盘上的故障区域，但有一些错误预测。

    Nov, 2023

  • 海底工程异常检测的有监督时间序列分类

    通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。

    Mar, 2024

  • 机器学习驱动的无线电天文光谱图中异常探测之路

    本文提出一种基于自监督学习的异常检测框架，应用于广泛的射电望远镜系统，能够在实时处理中，有效地分类常见异常及检测未知异常。通过为 Low Frequency Array（LOFAR）望远镜提供的数据集验证，该方法取得了高效且有效的结果，表现优于其他相关作品。

    Jul, 2023

  • 基于预防性维护的光伏系统故障检测和分类

    利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

    Jun, 2023

  • SensorSCAN: 化学过程中自监督学习和深度聚类用于故障诊断

    本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法，主要应用于化学传感器数据的处理，实验结果表明，该方法在公开数据集上的表现优于现有算法，能够有效检测出工业生产中的故障。

    Aug, 2022

  • 基于深度卷积神经网络和无监督方法的离心泵新型故障类别智能检测

    该研究论文介绍了一种基于数据驱动的故障诊断方法，使用卷积神经网络对旋转机器进行故障诊断，并使用 t-SNE 方法和聚类技术检测新的故障，实验结果表明该方法在检测新故障方面具有高准确性。

    Sep, 2023

  • 太阳能电网的深度故障分析和子集选择

    本研究提出一种基于深度学习的系统，用于预测太阳能电力系统中的故障和优化发电，从而减少成本并确保可靠性。结果表明，该方法可以成功应用于发展中国家。

    Nov, 2017

  • 基于改进神经网络算法的近海风力发电机组实时断裂检测

    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