文献

J-GLOBAL ID：202202212190168091   整理番号：22A0925163

選択的深いアンサンブルモデルに基づく風力タービン翼着氷故障の予測【JST・京大機械翻訳】

Prediction of wind turbine blade icing fault based on selective deep ensemble model

著者 (5件)： Xiao Jin (Business School, Sichuan University, Chengdu, 610064, China) ,  Li Chunyan (Business School, Sichuan University, Chengdu, 610064, China) ,  Liu Bo (Business School, Sichuan University, Chengdu, 610064, China) ,  Huang Jing (School of Public Administration, Sichuan University, Chengdu, 610064, China) ,  Xie Ling (School of Medical Information Engineering, Zunyi Medical University, Zunyi, 563006, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 242  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 風力タービンブレード着氷故障の正確な予測は,基本的に重要である。深層学習は主流予測技術であり,一方,風力タービンブレード着氷故障の予測に関する既存の研究は,主として単一深層学習モデルを誘導した。本研究では,データ処理(GMDH)技法のグループ法を導入し,GMDHベースの選択的深層アンサンブル(GSDE)モデルを提案した。最初に,モデルは,CNN-RNN,CNN-LSTM,およびCNN-GRUを構築するために,それぞれ,反復ニューラルネットワーク(RNN),長い短期メモリ(LSTM),およびゲートリカレントユニット(GRU)と畳込みニューラルネットワーク(CNN)を結合した。CNNと共に,焦点損失に基づく4つのコスト感受性深いニューラルネットワークを形成し,基本予測モデルとして使用した。第二に,一連の訓練セットをカイ二乗検定によって構築する。4つの異なる基本予測モデルを各訓練セットで訓練し,すべてのベース予測子の予測結果を得た。第3に,GMDH技術を最終予測結果のためのコスト感受性選択的深いアンサンブルに適用した。実験は,監視制御とデータ収集(SCADA)システムによって収集した2つの風車データセットに関するGSDEモデルの予測性能を深く確かめるために実施した。結果は,提案モデルが5つの既存のアンサンブルモデルと5つの単一深層学習モデルより優れていることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  記憶装置 ,  χ2乗検定 ,  *故障 ,  ニューラルネットワーク ,  風車 ,  データ処理 ,  *集合 ,  GMDH ,  データ収集 ,  SCADAシステム ,  機械学習 ,  予測モデル
準シソーラス用語： 予測子 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 風車 ,  翼着氷故障予測 ,  選択的深いアンサンブル ,  不均衡SCADAデータ ,  GMDH

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： アンサンブルモデル ,  風力タービン翼 ,  着氷 ,  故障 ,  予測