.png){kind=icon}
返回
Predicting wind turbines faults using Multi-Objective Genetic Programming
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127487.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
风能涡轮机是可再生能源的关键组成部分，能够将风能转化为电能，且对环境的影响极小。确保其持续运行对于最大化能源生产和减少昂贵的停机时间至关重要。为延长其运行寿命，需要采用主动维护策略来预测并处理潜在故障。尽管机器学习（ML）和深度学习（DL）算法在检测风能涡轮机故障方面显示出巨大潜力，但它们往往优先考虑最大化故障检测，而未足够关注误报问题。在实践中，误报与未检测到的故障一样成问题，因为它们会降低效率并浪费资源。本文提出了一种新颖的多目标遗传编程（MOGP）优化方法用于预测风能涡轮机故障。该方法通过优化两个相互冲突的目标——最大化故障检测率并最小化误报率，来寻找最佳特征组合及其阈值。这一双目标策略确保了可靠的故障预测，同时减少了不必要的维护操作。我们使用来自爱尔兰南部风能涡轮机的真实世界监控、控制和数据采集（SCADA）数据评估了该方法的有效性。结果表明，该方法在故障识别方面效率显著，实现了召回率（91%）和误报率（21%）之间的良好平衡。尽管机器学习（ML），特别是随机森林（RF），表现出有前景的性能（召回率为91%，误报率为10%），但它仍是一个黑箱模型。RF缺乏可解释性，使得难以从传感器特征与故障发生之间的关系中提取有意义的见解。
Keyword:
Wind turbine
Faults
Evolutionary search
Multi-objective optimization
Genetic programming
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
THE MEANING AND USE OF THE AREA UNDER A RECEIVER OPERATING CHARACTERISTIC (ROC) CURVE受试者工作特征 (ROC) 曲线下面积的含义和用途.png)
RADIOLOGY
RADIOLOGYIF15.2
PREAI
分享收藏Wind turbine fault diagnosis based on Gaussian process classifiers applied to operational dataRENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏Multi-objective genetic programming for feature extraction and data visualizationSOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏DeepFedWT: A federated deep learning framework for fault detection of wind turbinesMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏
查看更多内容