WindDefNet: Un modelo de ViT-Inception-ResNet mejorado con atención a múltiples escalas para la detección de defectos en las palas de turbinas eólicas en tiempo real
Autores: Mansoor, Majad; Tan, Xiyue; Mirza, Adeel Feroz; Gong, Tao; Song, Zhendong; Irfan, Muhammad
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
WindDefNet: Un modelo de ViT-Inception-ResNet mejorado con atención a múltiples escalas para la detección de defectos en las palas de turbinas eólicas en tiempo real
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Turbinas eólicas
Defectos en las palas
WindDefNet
Aprendizaje profundo
Mecanismo de atención
Rendimiento de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
El monitoreo en tiempo real no intrusivo de turbinas eólicas, palas y superficies defectuosas plantea un conjunto de desafíos complejos relacionados con la precisión, la seguridad, el costo y la eficiencia computacional. Este trabajo presenta un marco mejorado basado en aprendizaje profundo para la detección en tiempo real de defectos en las palas de turbinas eólicas. Se introduce WindDefNet, que cuenta con los módulos Inception-ResNet, Visual Transformer (ViT) y mecanismos de atención a múltiples escalas. WindDefNet utiliza bloques de convolución cruzada modificados, incluido el potente híbrido Inception-ResNet, para capturar tanto características detalladas como de alto nivel de las imágenes de entrada. Se añade un módulo de atención a múltiples escalas para centrarse en regiones importantes de la imagen, mejorando la precisión de detección, especialmente en áreas desafiantes de las palas de turbinas eólicas. Empleamos arquitecturas de incrustación de parches relacionadas con Inception-ResNet y ViT para lograr un rendimiento superior en la clasificación de defectos. La capacidad de WindDefNet para capturar e integrar representaciones de características a múltiples escalas mejora su efectividad para un monitoreo robusto de la condición de las turbinas eólicas, reduciendo así el tiempo de inactividad operativo y minimizando los costos de mantenimiento. Nuestro modelo WindDefNet integra un novedoso mecanismo de atención avanzada, con Inception-ResNet personalizado y preentrenado que combina autoatención con un codificador Visual Transformer, para mejorar la extracción de características y mejorar la precisión del modelo. El método propuesto demuestra mejoras significativas en el rendimiento de clasificación, como lo evidencian las métricas de evaluación que alcanzan precisiones, recuperaciones y puntuaciones F1 de 0.88, 1.00 y 0.93 para el daño, 1.00, 0.71 y 0.83 para el borde, y 1.00, 1.00 y 1.00 para las superficies de erosión y normales. Las puntuaciones F1 promedio macro y ponderadas se sitúan en 0.94, destacando la robustez de nuestro enfoque. Estos resultados subrayan el potencial del modelo propuesto para la detección de defectos en aplicaciones industriales.
Descripción
El monitoreo en tiempo real no intrusivo de turbinas eólicas, palas y superficies defectuosas plantea un conjunto de desafíos complejos relacionados con la precisión, la seguridad, el costo y la eficiencia computacional. Este trabajo presenta un marco mejorado basado en aprendizaje profundo para la detección en tiempo real de defectos en las palas de turbinas eólicas. Se introduce WindDefNet, que cuenta con los módulos Inception-ResNet, Visual Transformer (ViT) y mecanismos de atención a múltiples escalas. WindDefNet utiliza bloques de convolución cruzada modificados, incluido el potente híbrido Inception-ResNet, para capturar tanto características detalladas como de alto nivel de las imágenes de entrada. Se añade un módulo de atención a múltiples escalas para centrarse en regiones importantes de la imagen, mejorando la precisión de detección, especialmente en áreas desafiantes de las palas de turbinas eólicas. Empleamos arquitecturas de incrustación de parches relacionadas con Inception-ResNet y ViT para lograr un rendimiento superior en la clasificación de defectos. La capacidad de WindDefNet para capturar e integrar representaciones de características a múltiples escalas mejora su efectividad para un monitoreo robusto de la condición de las turbinas eólicas, reduciendo así el tiempo de inactividad operativo y minimizando los costos de mantenimiento. Nuestro modelo WindDefNet integra un novedoso mecanismo de atención avanzada, con Inception-ResNet personalizado y preentrenado que combina autoatención con un codificador Visual Transformer, para mejorar la extracción de características y mejorar la precisión del modelo. El método propuesto demuestra mejoras significativas en el rendimiento de clasificación, como lo evidencian las métricas de evaluación que alcanzan precisiones, recuperaciones y puntuaciones F1 de 0.88, 1.00 y 0.93 para el daño, 1.00, 0.71 y 0.83 para el borde, y 1.00, 1.00 y 1.00 para las superficies de erosión y normales. Las puntuaciones F1 promedio macro y ponderadas se sitúan en 0.94, destacando la robustez de nuestro enfoque. Estos resultados subrayan el potencial del modelo propuesto para la detección de defectos en aplicaciones industriales.