根據(jù)加拿大風(fēng)能咨詢公司TechnoCentre Eolien（TCE）的數(shù)據(jù)顯示，由于結(jié)冰，能源生產(chǎn)損失高達20%，更糟糕的是，隨著時間的推移，從葉片脫落的冰可能會損壞其它葉片或使內(nèi)部部件承受過大的壓力，需要進行昂貴的維修?，F(xiàn)在終于推出了一個用于檢測風(fēng)力渦輪機結(jié)冰的人工智能系統(tǒng)，將更好的解決這個問題。

　　該人工智能系統(tǒng)以一種數(shù)據(jù)驅(qū)動的方法，通過實時信號精確檢測葉片結(jié)冰情況，這樣除冰過程可以縮短響應(yīng)時間并自動啟動。該團隊的系統(tǒng)WaveletFCNN，是基于傅里葉卷積神經(jīng)網(wǎng)絡(luò)(FCNN)，一種用于時間序列分類的全卷積神經(jīng)網(wǎng)絡(luò)。它通過小波的系數(shù)來增強，小波的振幅從0開始，然后逐漸增大，最后減小到0。在測試中，WaveletFCNN在85個數(shù)據(jù)集中有64個數(shù)據(jù)優(yōu)于最先進的人工智能系統(tǒng)，隨后它被用于檢測從風(fēng)力發(fā)電場收集到的異常信號。

　　研究人員首先訓(xùn)練WaveletFCNN對時間序列進行分類。一系列按時間順序編入索引的數(shù)據(jù)點，由通用傳感器生成的輸入數(shù)據(jù)記錄風(fēng)速、內(nèi)部溫度、偏航位置、俯仰角、功率輸出以及其它天氣和渦輪條件。然后，他們設(shè)計了一個二級組件，異常監(jiān)測算法，來探測凍結(jié)葉片數(shù)據(jù)中的信號。在對風(fēng)力渦輪機制造商金風(fēng)公司的數(shù)據(jù)進行的一組仿真中，WaveletFCNN的預(yù)測精度為81.82%，而原始FCNN分類器的預(yù)測精度為65.91%。

　　研究人員承認，像WaveletFCNN這樣的人工智能模型有時與較小的訓(xùn)練語料庫的對應(yīng)過于緊密，并表示，針對每臺渦輪機的訓(xùn)練分離模型可以更好地解釋氣候和工作狀態(tài)的變化。他們相信該系統(tǒng)和其它類似的系統(tǒng)可以幫助防止渦輪機因結(jié)冰而受損，他們計劃在未來將其應(yīng)用于現(xiàn)實世界的風(fēng)力發(fā)電場。

　　他們并不是第一個用人工智能檢測風(fēng)力渦輪機損壞的公司。上海和西雅圖的Clobotics公司也正在開發(fā)一種使用拍照無人機的平臺，該平臺可以將數(shù)據(jù)提供給識別受損部件的機器學(xué)習(xí)模型。