据加拿大风能咨询公司TechnoCentre Eolien（TCE）的数据显示，由于结冰，能源生产损失高达20%，更糟糕的是，随着时间的推移，从叶片脱落的冰可能会损坏其它叶片或使内部部件承受过大的压力，需要进行昂贵的维修。现在终于推出了一个用于检测风力涡轮机结冰的人工智能系统，将更好的解决这个问题。

　　该人工智能系统以一种数据驱动的方法，通过实时信号精确检测叶片结冰情况，这样除冰过程可缩短响应时间并自动启动。该团队的系统WaveletFCNN，是基于傅里叶卷积神经网络（FCNN），一种用于时间序列分类的全卷积神经网络。它通过小波的系数来增强，小波的振幅从0开始，然后逐渐增大，最后减小到0。在测试中，WaveletFCNN在85个数据集中有64个数据优于最先进的人工智能系统，随后它被用于检测从风力发电场收集到的异常信号。

　　研究人员首先训练WaveletFCNN对时间序列进行分类。一系列按时间顺序编入索引的数据点，由通用传感器生成的输入数据记录风速、内部温度、偏航位置、俯仰角、功率输出以及其它天气和涡轮条件。然后，他们设计了一个二级组件，异常监测算法，来探测冻结叶片数据中的信号。在对风力涡轮机制造商金风公司的数据进行的一组仿真中，WaveletFCNN的预测精度为81.82%，而原始FCNN分类器的预测精度为65.91%。

　　研究人员承认，像WaveletFCNN这样的人工智能模型有时与较小的训练语料库的对应过于紧密，并表示，针对每台涡轮机的训练分离模型可以更好地解释气候和工作状态的变化。他们相信该系统和其它类似的系统能够帮助防止涡轮机因结冰而受损，他们计划在未来将其应用于现实世界的风力发电场。

　　他们并不是第一个用人工智能检测风力涡轮机损坏的公司。上海和西雅图的Clobotics公司也正在开发一种使用拍照无人机的平台，该平台可将数据提供给识别受损部件的机器学习模型。