本研究提出了一种基于特征选择和构造的方法，用于检测风力涡轮机的发电机发热故障，旨在提高分类准确度和减小计算负担。

Jun, 2023

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

开发了一个用于风力涡轮机发电机轴承故障分类的深度学习模型，通过使用来自五种预定义故障类型的音频数据进行构建和训练。该模型在训练样本上表现出色，验证过程中也展示出优秀的泛化能力，对于测试样本，模型的分类性能出色，整体准确率超过 99.5%，正常状态的误报率低于 1%。该研究的发现对于风力发电的故障诊断和维护提供了重要支持，并具有提高风力发电的可靠性和效率的潜力。

Mar, 2024

通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习，我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集（SCADA）系统中提取的特征，预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练，可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合，假设输出功率遵循具有异方差的正态密度，并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能，证明其优于其他概率预测模型。

Apr, 2024

通过改变卷积神经网络 - 长短期记忆（CNN-LSTM）和自回归模型的输入数据形状，这项研究探索了一种新的特征工程方法以提高对噪声的处理能力，并取得了显著的改善，使其能够以 83％的准确率预测长达 24 个时间步的未见数据，同时在短期、中期和长期预测方面始终表现出较高的准确性，优于单个模型的性能，为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

Jan, 2024

本文利用频率调制连续波（FMCW）雷达作为一种非破坏性感知模式来增强制造质量保障，并开发了一种新的异常检测管道，它能在去除正常数据先验信息后专注于异常特征的属性

Jun, 2023

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

本研究提出了一种动态特征重构信号图方法，采用小波包分解（WPD）和 2D-CNN 作为故障诊断模型，能够在高噪声下更好的实现旋转机械的故障诊断。

May, 2023

该文提出一种通过直方图理论设计 / 提取输入特征的新算法，将不同的时间序列传感器数据的特征提取过程统一起来，用于机器状态识别，结果表明该方案对于预测机器健康状态具有显著效果。

Feb, 2024

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