基于深度层次特征提取的风机叶片故障识别方法技术

本发明专利技术公开一种基于深度层次特征提取的风机叶片故障识别方法，包括以下步骤：采集ImageNet图像训练深度学习神经网络，得到卷积核、权值和偏置值，同时将风机叶片大小调整至和ImageNet图像库同样大小，分为预测集和训练集，将训练集带入深度学习神经网络，提取输出层前面一层的4096个值作为特征值。把所有训练样本的4096个特征值，带入支持向量机模型进行训练。最后将测试机风机叶片图像同样通过深度学习模型提取4096个特征值，带入训练好的支持向量机模型，得到故障结果。本发明专利技术可以通过图片较好的识别风机叶片故障类型，方便管理人员做出相应的处理，有效提高风力发电厂的管理水平。

Fault identification method of fan blade based on depth hierarchical feature extraction

The invention discloses a fan blade fault recognition method based on feature extraction depth, which comprises the following steps: ImageNet image acquisition training deep learning neural network, get the convolution kernel, weights and bias values, while the fan blade size adjusted to the same size and the ImageNet image database, divided into training set and prediction set, the the training set into deep learning neural network, 4096 layer extraction output layer front as characteristic value. 4096 characteristic values of all training samples are taken into support vector machine model for training. Finally, the fan blade image of the test machine is also extracted from the depth learning model, and the 4096 feature values are taken into the training support vector machine model to get the fault results. The invention can preferably identify the fault type of fan blades through pictures and facilitate the management to do corresponding processing, thereby effectively improving the management level of the wind power plant.

【技术实现步骤摘要】
基于深度层次特征提取的风机叶片故障识别方法
本专利技术涉及风机叶片图像故障识别
，具体涉及基于深度层次特征提取的风机叶片图像异常识别方法，通过风机叶片的图片来判断其故障类型。
技术介绍
现代化社会生活已经离不开能源，然而随着石油的等不可再生能源的减少，人们越来越意识到了能源危机，开始大力发展可再生能源。作为可再生能源之一的风能，分布广泛，能量庞大，具有巨大的应用前景。风机叶片是将风能转换为电能的动力部件，直接影响着风能发电的转换效率，然而叶片长期处于自然环境中，台风、暴雨或者雷电都可能损坏叶片。因此，风机叶片的故障诊断对于风力发电站具有着重要意义。随着风机发电规模的不断扩大，传统的人工巡检已经不能，满足风力发电在的日常巡检需求，对风机叶片故障的高效诊断方法需求愈加迫切。传统的风机叶片故障诊断方式为人工巡检，需要巡检人员爬上风机依靠经验来判断叶片的损坏程度，但对于大规模的风力发电站，人工巡检无疑效率太低。近来比较流行的是结合环境因素，预测风机发电量，对比风机实际发电量来判断叶片的损坏程度，但其无法发现风机叶片的潜在故障，无法在故障发生之前对其进行故障预测，也无法判断叶片的故障类型。
技术实现思路
为了解决传统风机叶片故障识别中的一些不足，本专利技术提出一种深度层次特征提取的风机叶片故障识别方法，该方法利用深度学习技术，提取风机叶片的故障特征，再通过支持向量机模型进行故障分类，最终得到风机叶片的故障类型。本专利技术的技术方案具体步骤如下：步骤1：将ImageNet图像数据库中的图像大小调整为227*227*3的大小作为深度学习训练集{Xi,Yi},i＝1,2...n，其中Xi表示图像，其大小为227*227，3表示RGB三色通道，Yi表示图像所属类别标签，其值为1‐1000之间共1000类；步骤2：构建一个包含5层卷积层、3层池化层和2层全连接层的深度学习神经网络模型，对训练集图像进行卷积、池化操作，具体包括如下步骤：(1)将训练集大小为227*227*3的图像输入深度学习神经网络C1卷积层，通过96个大小为11*11的卷积模板，步长设置为4，对训练图像进行卷积操作，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为55*55*96的特征图像；(2)将步骤(1)中的得到的特征图像输入深度学习神经网络P1池化层，池化模板为3*3，步长设置为2，得到大小为27*27*96的特征图像；(3)将步骤(2)中的得到的特征图像输入深度学习神经网络C2卷积层，通过256个大小为5*5的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为27*27*256的特征图像；(4)将步骤(3)中的得到的特征图像输入深度学习神经网络P2池化层，池化模板为3*3，步长设置为2，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(5)将步骤(4)中的得到的特征图像输入深度学习神经网络C3卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(6)将步骤(5)中的得到的特征图像输入深度学习神经网络C4卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(7)将步骤(6)中的得到的特征图像输入深度学习神经网络C5卷积层，通过256个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(8)将步骤(7)中的得到的特征图像输入深度学习神经网络P3池化层，池化模板为3*3，步长设置为2，得到大小为6*6*256的特征图像；(9)将步骤(8)中得到的特征图像输入深度学习神经网络全连接层F1，采用4096个神经元，对输入的每个特征图像进行全连接，得到4096个特征值；(10)将步骤(9)中得到的特征值输入深度学习神经网络全连接层F2，采用1000个神经元，对输入的每个特征图像进行全连接，得到1000个特征值，即属于1000个类别的概率；步骤3：采用反向传导算法，逐层对权重和偏置进行更新，具体步骤如下：(1)计算每个训练样本的损失函数：Loss＝-logf(x)y其中f(x)y表示输出层中预测正确的概率值；(2)计算全连接输出层的误差敏感值：其中f′(uL)表示第L层输出激活函数的导数，yn为样本标签的独热码，f(xn)为样本属于各类的概率值，为点乘，即每个元素相乘；(3)计算其它全连接层的误差敏感值：其中Wl+1表示l+1层的权值，T表示转置，δl+1表示l+1层的误差敏感值，f′(ul)表示第l层输出激活函数的导数；(4)计算卷积层的误差敏感值：其中up()表示一个上采样操作，表示第l+1层的误差敏感值，表示第l层输出激活函数的导数；(5)计算池化层的误差敏感值：其中conv2表示离散卷积计算，rot180表示把卷积核旋转180度，表示l+1层的卷积核；(6)计算卷积核、权值和偏置值导数：其中u，v表示卷积核坐标，kij表示卷积核参数，Wl表示权值，bj表示偏置，Xl-1表示第l‐1层输出值，是Xl-1与l层卷积核逐元素相乘的结果；(7)通过步骤(6)计算的导数值分别对卷积核、权值和偏置值进行更新：其中η为学习率；步骤4：重复步骤2到步骤3，直到相邻两次卷积核、权值和偏置值的变化值小于10-6；步骤5：将风机叶片图像大小调整为227*227*3，并分成两组，一组作为训练集{Xtrain,Ytrain}，另一组作为测试集{Xtest,Ytest}；步骤6：利用步骤4最终得到的卷积核、权值和偏置值，输入训练集{Xtrain,Ytrain}，通过深度学习神经网络步骤2中(1)到(9)步，得到4096个特征值；步骤7：将步骤6得到所有训练样本的4096个特征值，放入支持向量机进行训练学习，求解分类超平面，得到支持向量机模型；步骤8：将测试集{Xtest,Ytest}数据同步骤6输入深度学习神经网络模型，得到4096个特征值；步骤9：将步骤8中得到的特征值带入步骤7训练好的支持向量机模型中，最终得到分类预测结果Ypredict，从而实现风机叶片故障类型的识别。所述的深度学习训练模型采用ImageNet图像库，分类器采用支持向量机，运行平台为MATLAB2014A。附图说明图1是本专利技术实现的流程图。图2是风机叶片故障图片，图2a、图2b和图2c分别为不同类型的故障。具体实施方式下面参照图1，结合风机叶片图像故障识别为实例对本专利技术作更详细的说明。本专利技术基于深度学习风机叶片图像故障识别方法，步骤如下：步骤1：将ImageNet图像数据库中的图像大小调整为227*227*3的大小作为深度学习训练集{Xi,Yi},i＝1,2...n，其中Xi表示图像，其大小为227*227，3表示RGB三色通道，Yi表示图像所属类别标签，其值为1‐1000之间共1000类。步骤2：构建一个包含5层卷积层、3层池化层和2层全连接层的深度学习神经网络模型，对训练集图像进行卷积、池化操作，具体包括如下步骤：(1)将训练本文档来自技高网...

【技术保护点】
一种基于深度层次特征提取的风机叶片故障识别方法，其特征在于：步骤如下：步骤1：将ImageNet图像数据库中的图像大小调整为227*227*3的大小作为深度学习训练集{Xi,Yi},i＝1,2...n，其中Xi表示图像，其大小为227*227，3表示RGB三色通道，Yi表示图像所属类别标签，其值为1‑1000之间共1000类；步骤2：构建一个包含5层卷积层、3层池化层和2层全连接层的深度学习神经网络模型，对训练集图像进行卷积、池化操作，具体包括如下步骤：(1)将训练集大小为227*227*3的图像输入深度学习神经网络C1卷积层，通过96个大小为11*11的卷积模板，步长设置为4，对训练图像进行卷积操作，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为55*55*96的特征图像；(2)将步骤(1)中的得到的特征图像输入深度学习神经网络P1池化层，池化模板为3*3，步长设置为2，得到大小为27*27*96的特征图像；(3)将步骤(2)中的得到的特征图像输入深度学习神经网络C2卷积层，通过256个大小为5*5的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为27*27*256的特征图像；(4)将步骤(3)中的得到的特征图像输入深度学习神经网络P2池化层，池化模板为3*3，步长设置为2，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(5)将步骤(4)中的得到的特征图像输入深度学习神经网络C3卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(6)将步骤(5)中的得到的特征图像输入深度学习神经网络C4卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(7)将步骤(6)中的得到的特征图像输入深度学习神经网络C5卷积层，通过256个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(8)将步骤(7)中的得到的特征图像输入深度学习神经网络P3池化层，池化模板为3*3，步长设置为2，得到大小为6*6*256的特征图像；(9)将步骤(8)中得到的特征图像输入深度学习神经网络全连接层F1，采用4096个神经元，对输入的每个特征图像进行全连接，得到4096个特征值；(10)将步骤(9)中得到的特征值输入深度学习神经网络全连接层F2，采用1000个神经元，对输入的每个特征图像进行全连接，得到1000个特征值，即属于1000个类别的概率；步骤3：采用反向传导算法，逐层对权重和偏置进行更新，具体步骤如下：(1)计算每个训练样本的损失函数：Loss＝‑logf(x)y其中f(x)y表示输出层中预测正确的概率值；(2)计算全连接输出层的误差敏感值：...

【技术特征摘要】
1.一种基于深度层次特征提取的风机叶片故障识别方法，其特征在于：步骤如下：步骤1：将ImageNet图像数据库中的图像大小调整为227*227*3的大小作为深度学习训练集{Xi,Yi},i＝1,2...n，其中Xi表示图像，其大小为227*227，3表示RGB三色通道，Yi表示图像所属类别标签，其值为1-1000之间共1000类；步骤2：构建一个包含5层卷积层、3层池化层和2层全连接层的深度学习神经网络模型，对训练集图像进行卷积、池化操作，具体包括如下步骤：(1)将训练集大小为227*227*3的图像输入深度学习神经网络C1卷积层，通过96个大小为11*11的卷积模板，步长设置为4，对训练图像进行卷积操作，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为55*55*96的特征图像；(2)将步骤(1)中的得到的特征图像输入深度学习神经网络P1池化层，池化模板为3*3，步长设置为2，得到大小为27*27*96的特征图像；(3)将步骤(2)中的得到的特征图像输入深度学习神经网络C2卷积层，通过256个大小为5*5的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为27*27*256的特征图像；(4)将步骤(3)中的得到的特征图像输入深度学习神经网络P2池化层，池化模板为3*3，步长设置为2，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(5)将步骤(4)中的得到的特征图像输入深度学习神经网络C3卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(6)将步骤(5)中的得到的特征图像输入深度学习神经网络C4卷积层，通过384个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*384的特征图像；(7)将步骤(6)中的得到的特征图像输入深度学习神经网络C5卷积层，通过256个大小为3*3的卷积模板，步长设置为1，并使用RELU激励函数，将特征值保持在(0,1)之间，得到大小为13*13*256的特征图像；(8)将步骤(7)中的得到的特征图像输入深度学习神经网络P3池化层，池化模板为3*3，步长设置为2，得到大小为6*6*256的特征图像；(9)将步骤(8)中得到的特征图像输入深度学习神经网络全连接层F1，采用4096个神经元，对输入的每个特征图像进行全连接，得到4096个特征值；(10)将步骤(9)中得到的特征值输入深度学习神经网络全连接层F2，采用1000个神经元，对输入的每个特征图像进行全连接，得到1000个特征值，即属于1000个类别的概率；步骤3：采用反向传导算法，逐层对权重和偏置进行更新，具体步骤如下：(1)计算每个训练样本的损失函数：Los...

【专利技术属性】
技术研发人员：曹晖，刘尚，于雅洁，张盼盼，张彦斌，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61