Método federado incremental colaborativo de diagnóstico de fallos para flujos de datos dinámicos en múltiples parques...

Área de la Ciencia:

• Sistemas de Energía Renovable
• Aprendizaje Automático
• Ciencia de Datos

Sus antecedentes:

• Las crecientes preocupaciones sobre la privacidad y los silos de datos exigen soluciones avanzadas para el diagnóstico de fallos de turbinas eólicas.
• Los métodos de aprendizaje federado existentes tienen dificultades con los flujos de datos dinámicos y la introducción de nuevas clases de fallos, lo que genera demandas de almacenamiento y computación poco prácticas.
• Los modelos actuales sufren una degradación significativa de la memoria al diagnosticar nuevos fallos en entornos de parques eólicos heterogéneos y con recursos limitados.

Objetivo del estudio:

• Proponer un método federado incremental colaborativo de diagnóstico de fallos para flujos de datos dinámicos en múltiples parques eólicos.
• Abordar los desafíos de la detección de nuevas clases de fallos, el equilibrio plasticidad-estabilidad del modelo y la adaptación del modelo global en entornos dinámicos.
• Mitigar la degradación de la memoria y mejorar el rendimiento del aprendizaje federado en el diagnóstico de fallos de turbinas eólicas.

Principales métodos:

• Un novedoso método de detección de clases de fallos para identificar la introducción de nuevas clases de fallos.
• Un mecanismo de equilibrio plasticidad-estabilidad para los modelos locales de diagnóstico de fallos para combatir el problema del desvanecimiento de la memoria.
• Un método compensatorio adaptativo del modelo global para abordar la degradación de la memoria en el modelo agregado debido a la heterogeneidad de los datos.

Principales resultados:

• El método propuesto mitiga eficazmente los problemas de desvanecimiento de la memoria en los modelos de aprendizaje federado para el diagnóstico de fallos de turbinas eólicas.
• La validación con datos del mundo real de tres parques eólicos chinos demuestra un rendimiento superior en comparación con los métodos de vanguardia.
• El enfoque maneja con éxito los flujos de datos dinámicos y la aparición de nuevas clases de fallos.

Conclusiones:

• El método federado incremental colaborativo de diagnóstico de fallos ofrece una solución práctica y eficaz para el mantenimiento de turbinas eólicas en entornos dinámicos.
• El estudio destaca la importancia de abordar la plasticidad, la estabilidad y la heterogeneidad del modelo para un aprendizaje federado robusto en aplicaciones industriales.
• Esta investigación contribuye a mejorar la fiabilidad y la eficiencia de la energía eólica mejorando las capacidades de diagnóstico de fallos.