根據加拿大風能咨詢公司TechnoCentre Eolien（TCE）的數據顯示，由于結冰，能源生產損失高達20%，更糟糕的是，隨著時間的推移，從葉片脫落的冰可能會損壞其它葉片或使內部部件承受過大的壓力，需要進行昂貴的維修。現在終于推出了一個用于檢測風力渦輪機結冰的人工智能系統，將更好的解決這個問題。

　　該人工智能系統以一種數據驅動的方法，通過實時信號精確檢測葉片結冰情況，這樣除冰過程可以縮短響應時間并自動啟動。該團隊的系統WaveletFCNN，是基于傅里葉卷積神經網絡(FCNN)，一種用于時間序列分類的全卷積神經網絡。它通過小波的系數來增強，小波的振幅從0開始，然后逐漸增大，最后減小到0。在測試中，WaveletFCNN在85個數據集中有64個數據優于最先進的人工智能系統，隨后它被用于檢測從風力發電場收集到的異常信號。

　　研究人員首先訓練WaveletFCNN對時間序列進行分類。一系列按時間順序編入索引的數據點，由通用傳感器生成的輸入數據記錄風速、內部溫度、偏航位置、俯仰角、功率輸出以及其它天氣和渦輪條件。然后，他們設計了一個二級組件，異常監測算法，來探測凍結葉片數據中的信號。在對風力渦輪機制造商金風公司的數據進行的一組仿真中，WaveletFCNN的預測精度為81.82%，而原始FCNN分類器的預測精度為65.91%。

　　研究人員承認，像WaveletFCNN這樣的人工智能模型有時與較小的訓練語料庫的對應過于緊密，并表示，針對每臺渦輪機的訓練分離模型可以更好地解釋氣候和工作狀態的變化。他們相信該系統和其它類似的系統可以幫助防止渦輪機因結冰而受損，他們計劃在未來將其應用于現實世界的風力發電場。

　　他們并不是第一個用人工智能檢測風力渦輪機損壞的公司。上海和西雅圖的Clobotics公司也正在開發一種使用拍照無人機的平臺，該平臺可以將數據提供給識別受損部件的機器學習模型。