【技术实现步骤摘要】
基于深度学习的风电机组叶片表面故障识别与分类方法
本专利技术属于新能源发电领域，具体涉及一种基于深度学习的风电机组叶片表面故障识别与分类方法。
技术介绍
近年来，我国部分地区大气环境日益恶化，雾霾天气时有发生，以煤炭石油等化石燃料为主要能源的传统能源结构亟需调整，大力发展可再生能源正当其时。风力发电作为可再生能源的重要组成部分，在我国得到了长足的发展。叶片作为风电机组捕获风能的重要部件，长期暴露在日晒、雨淋、风沙、盐蚀等恶劣自然环境中，叶片表面材料容易出现裂纹、开裂、点蚀等各种故障。如果不能对故障进行及时处理，可能会导致叶片断裂甚至倒塔事故。现有的叶片表面故障识别方法往往需要等到故障比较明显以后才能有较好的识别效果，难以满足故障识别对及时性的要求。因此，需要一种能够及时准确识别叶片表面故障的方法。传统风电机组叶片表面故障识别方法一般采用振动检测、声发射检测、红外检测等方法。但是由于叶片故障初期特征并不明显，这些方法难以对细微故障进行准确识别，往往故障十分明显以后才会有较好的识别效果，难以起到早期发现和及时处理...
【技术保护点】
1.一种基于深度学习的风电机组叶片表面故障识别与分类方法，其特征在于：包括以下步骤：/n步骤1，无人机拍摄风电机组叶片表面图像及数据集划分；/n步骤1.1，采用无人机拍摄风电机组叶片表面图像并对叶片图像进行标识；/n将采集得到的叶片图像标识为正常(Normal)，裂纹(Crack)、剥落(Spalling)及腐蚀(Corrosion)四种类别，形成叶片图像数据集；/n步骤1.2，将叶片图像数据集分为训练集和验证集；/n将步骤1.1得到的标识好的叶片图像数据集划分为训练集和验证集；训练集用于对叶片图像故障识别深度学习模型进行训练，得到模型参数；验证集用于测试训练好的叶片图像故...
【技术特征摘要】
1.一种基于深度学习的风电机组叶片表面故障识别与分类方法，其特征在于：包括以下步骤：
步骤1，无人机拍摄风电机组叶片表面图像及数据集划分；
步骤1.1，采用无人机拍摄风电机组叶片表面图像并对叶片图像进行标识；
将采集得到的叶片图像标识为正常(Normal)，裂纹(Crack)、剥落(Spalling)及腐蚀(Corrosion)四种类别，形成叶片图像数据集；
步骤1.2，将叶片图像数据集分为训练集和验证集；
将步骤1.1得到的标识好的叶片图像数据集划分为训练集和验证集；训练集用于对叶片图像故障识别深度学习模型进行训练，得到模型参数；验证集用于测试训练好的叶片图像故障识别深度学习模型的泛化能力；训练集和验证集中叶片图像样本的个数比例为3：1；为保证训练集和验证集中叶片图像样本分布的一致性，即保证训练集和验证集包含相同的叶片图像的四种类别比例相同，采用分层抽样的方法对集合进行划分；分层抽样将样本依据一定的特征分为多个类别，在每个类别中进行随机抽样，然后再组合成新的样本集；叶片故障图像划分为正常(Normal)、裂纹(Crack)、剥落(Spalling)及腐蚀(Corrosion)四类；在依照分层抽样法进行训练集和验证集划分时，每个集合中均包含上述四个类别的数据，避免由于不同集合数据类别分布差异而产生的偏差；
步骤2，搭建胶囊网络与卷积神经网络复合叶片图像故障识别模型，并对模型进行训练；
步骤2.1，搭建胶囊网络与卷积神经网络复合模型；
将卷积神经网络与胶囊网络相结合，在胶囊网络之前增加卷积网络的部分结构，组成新的复合深度学习模型；通过卷积模型所具有的降维能力，将复杂的叶片故障图像提取为相对简单的特征，再利用胶囊网络进行识别与分类；
第一部分卷积网络模型包括：
卷积层：使用卷积核对叶片图像进行卷积运算；在进行卷积操作时，卷积核与被卷区域的样本值相乘然后求和；以步长为1移动卷积核，重复之前的操作，直至卷积核遍历图像所有区域；
激活层：经过卷积操作后，采用ReLU-tanh复合函数作为激活函数对每一个卷积输出值进行非线性变换；ReLU-tanh复合函数表达式为：
其中：
x——ReLU-tanh复合函数的输入；
f(x)——ReLU-tanh复合函数的输出值；
池化层：池化层能够有效缩小卷积层产生的矩阵尺寸，从而减少网络参数的个数和复杂程度，池化层选用最大值池化方法；
第二部分胶囊网络模型主要由下列结构组成：
卷积层：提取用于后续胶囊分析的特征，使用256个9×9卷积核，以步长为1遍历所有区域；
主胶囊层：将卷积层抽取的特征进行分组形成向量分别归入不同的胶囊中，并将胶囊内的特征信息向下...
【专利技术属性】
技术研发人员：马东，王明宇，
申请(专利权)人：华电电力科学研究院有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。