AQUADA-DTEC：基于课程学习的正常风力涡轮机运行中的热成像叶片异常检测技术

《IEEE Transactions on Industrial Informatics》：AQUADA-DTEC: Curriculum-Learning-Based Thermographic Blade Anomaly Detection in Normal Wind Turbine Operation

　　

摘要：

在不中断风力涡轮机正常运行的情况下检测叶片损伤对风电场的运营和维护具有重要的经济价值。本研究提出了一种基于课程学习的AI方法AQUADA-DTEC，该方法能够在不中断风力涡轮机正常运行的情况下准确且稳健地检测叶片异常。AQUADA-DTEC引入了一种基于Swin-Transformer的工业图像异常检测模型来检测叶片结构异常，并采用了一种精心设计的课程学习策略来训练该模型，使其能够从简单到复杂逐步学习，并能够检测到热对比度较低的小异常。为了训练和评估该方法，我们收集了一个大规模的风力涡轮机叶片数据集，其中包含超过17,000张风力涡轮机叶片的热图像。实验结果表明，AQUADA-DTEC在热成像叶片结构异常检测方面的性能优于现有最先进方法，在AUROC指标上提高了6.6%，在平均精度上提高了4.3%。此外，所提出的课程学习策略显著增强了模型检测热对比度较低的小异常的能力，大大提高了模型的实用性，使其在实际应用中具有很高的价值。总体而言，AQUADA-DTEC代表了向实际现场热成像叶片结构损伤检测迈出的重要一步。