Hard Sample Mining Enabled Contrastive Feature Learning for Wind Turbine Pitch System Fault Diagnosis

要約

風力タービンによる風力の効率的な利用は、風速の変化に応じてブレードのピッチ角を調整するピッチ システムの機能にかかっています。
ただし、ピッチ システムに複数の種類の故障が存在するため、これらの故障を正確に分類することが困難になります。
この論文では、この問題に対処するために、ハード サンプル マイニング対応のコントラスト特徴学習 (HSMCFL) に基づく新しい方法を提案します。
提案された方法は、コサイン類似度を使用してハード サンプルを識別し、その後、対照的な特徴学習を活用して、ハード サンプル ペアの構築を通じて表現学習を強化します。
さらに、学習された識別表現を使用して多層パーセプトロンがトレーニングされ、効率的な分類器として機能します。
提案された方法の有効性を評価するために、風力タービンのピッチ システムの歯車ベルトの破断データを含む 2 つの実際のデータセットが利用されます。
提案手法の故障診断性能を既存手法と比較した結果、提案手法の優れた性能が実証されました。
提案されたアプローチは故障診断精度の大幅な向上を示し、風力タービンピッチシステムの故障診断の信頼性と効率を向上させる有望な見通しを提供します。

要約(オリジナル)

The efficient utilization of wind power by wind turbines relies on the ability of their pitch systems to adjust blade pitch angles in response to varying wind speeds. However, the presence of multiple fault types in the pitch system poses challenges in accurately classifying these faults. This paper proposes a novel method based on hard sample mining-enabled contrastive feature learning (HSMCFL) to address this problem. The proposed method employs cosine similarity to identify hard samples and subsequently leverages contrastive feature learning to enhance representation learning through the construction of hard sample pairs. Furthermore, a multilayer perceptron is trained using the learned discriminative representations to serve as an efficient classifier. To evaluate the effectiveness of the proposed method, two real datasets comprising wind turbine pitch system cog belt fracture data are utilized. The fault diagnosis performance of the proposed method is compared against existing methods, and the results demonstrate its superior performance. The proposed approach exhibits significant improvements in fault diagnosis accuracy, providing promising prospects for enhancing the reliability and efficiency of wind turbine pitch system fault diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google