该人工智能系统以一种数据驱动的方法，通过实时旗子暗记精确检测叶片结冰情形，这样除冰过程可以缩短相应韶光并自动启动。
该团队的系统WaveletFCNN，是基于傅里叶卷积神经网络(FCNN)，一种用于韶光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，末了减小到0。
在测试中，WaveletFCNN在85个数据集中有64个数据优于最前辈的人工智能系统，随后它被用于检测从风力发电场网络到的非常旗子暗记。

风力发电机

研究职员首先演习WaveletFCNN对韶光序列进行分类。
一系列按韶光顺序编入索引的数据点，由通用传感器天生的输入数据记录风速、内部温度、偏航位置、俯仰角、功率输出以及其它景象和涡轮条件。
然后，他们设计了一个二级组件，非常监测算法，来探测冻结叶片数据中的旗子暗记。
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%。

研究职员承认，像WaveletFCNN这样的人工智能模型有时与较小的演习语料库的对应过于紧密，并表示，针对每台涡轮机的演习分离模型可以更好地阐明景象和事情状态的变革。
他们相信该系统和其它类似的系统可以帮助防止涡轮机因结冰而受损，他们操持在未来将其运用于现实天下的风力发电场。

他们并不是第一个用人工智能检测风力涡轮机破坏的公司。
上海和西雅图的Clobotics公司也正在开拓一种利用拍照无人机的平台，该平台可以将数据供应给识别受损部件的机器学习模型。