.png){kind=icon}
返回
Time-Filtering Graph Learning With Spatial–Temporal Diffusion for Robust Blade Icing Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3654792.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确检测风力涡轮机叶片结冰对于确保风电场运行的安全性和效率至关重要。尽管当前机器学习和深度学习方法能够识别结冰状态，但仍存在三大主要局限性：过度依赖人工特征工程限制了有意义时空依赖关系的捕捉；高度不平衡的数据导致假阴性增加和报警延迟；对数据噪声的敏感性往往引入假阳性。为解决这些挑战，本文提出了一种抗不平衡和抗噪声的TG-Diff网络，通过有效整合多传感器时空信息，实现了准确且鲁棒的结冰状态分类。TG-Diff包含三个核心模块：基于时序滤波的图学习模块（TF-GLM）、时空扩散图卷积网络（TSD-GCN）和基于距离的分类器（DBC）。具体而言，TF-GLM动态推断节点关系以构建鲁棒图拓扑；TSD-GCN通过扩散机制增强特征表示并抑制噪声；DBC通过利用基于距离的决策边界有效缓解类别不平衡。实验结果表明，所提出的模块协同工作，共同提升了真实复杂环境中结冰检测的准确性和鲁棒性。
Keyword:
Diffusion graph convolutional networks (DGCNs)
distance-based classification
dynamic graph construction
robust fault detection
spatiotemporal graph neural networks
wind turbine blade icing detection
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
A robust ultrasonic characterization methodology for lithium-ion batteries on frequency-domain damping analysis基于频域阻尼分析的锂离子电池鲁棒超声表征方法
PREAI
分享收藏Temporal Attention Convolutional Neural Network for Estimation of Icing Probability on Wind Turbine Blades基于时间注意力卷积神经网络的风力机叶片结冰概率估计
OAAI
OAAI分享收藏Learning Noise Invariant Features Through Transfer Learning For Robust End-to-End Speech Recognition.png)
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Statistics Pooling Time Delay Neural Network Based on X-Vector for Speaker VerificationICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容