Generalizable Temperature Nowcasting with Physics-Constrained RNNs for Predictive Maintenance of Wind Turbine Components

要約

機械学習は、現在の風力エネルギー生産システムの運用において重要な役割を果たしています。
中心的なアプリケーションの 1 つは、ダウンタイムを削減することで効率を向上させ、電気コストを削減するための予知保全です。
物理ベースの知識をニューラル ネットワークに統合して物理的な妥当性を強制することは、現在のアプローチを改善する有望な方法ですが、不完全なシステム情報が現実世界のシナリオへの適用を妨げることがよくあります。
部分的なシステム知識を使用して、風力タービンのギアボックス ベアリングの物理制約付きディープ ラーニング ベースの予測メンテナンスを行うための、シンプルで効率的な方法について説明します。
このアプローチは、物理学によって制約された温度ナウキャスティングに基づいており、未知のシステム係数が学習可能なニューラル ネットワーク パラメーターとして扱われます。
結果は、ベースライン ニューラル ネットワークと比較して、目に見えない環境に対する汎化パフォーマンスが向上していることを示しています。これは、現実世界のアプリケーションで頻繁に遭遇するデータ量の少ないシナリオでは特に重要です。

要約(オリジナル)

Machine learning plays an important role in the operation of current wind energy production systems. One central application is predictive maintenance to increase efficiency and lower electricity costs by reducing downtimes. Integrating physics-based knowledge in neural networks to enforce their physical plausibilty is a promising method to improve current approaches, but incomplete system information often impedes their application in real world scenarios. We describe a simple and efficient way for physics-constrained deep learning-based predictive maintenance for wind turbine gearbox bearings with partial system knowledge. The approach is based on temperature nowcasting constrained by physics, where unknown system coefficients are treated as learnable neural network parameters. Results show improved generalization performance to unseen environments compared to a baseline neural network, which is especially important in low data scenarios often encountered in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google