基于深度层次特征提取的风机叶片故障识别方法与流程

本发明涉及风机叶片图像故障识别
技术领域：
，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。
背景技术：
：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。技术实现要素：为了解决传统风机叶片故障识别中的一些不足，本发明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。本发明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是本发明实现的流程图。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发明作更详细的说明。本发明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，如图2所示，并分成两组，一组作为训练集{xtrain,ytrain}，其中ytrain为1表示后缘损伤、2表示裂痕、3表示脱皮、4表示刮伤、5表示正常、6表示漆面损伤，共6种类型，另一组作为测试集{xtest,ytest}，其中训练集样本数为54张，测试机样本数为18张。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，对比预测和测试标签如下表所示，预测准确率为100％。ytestypredictytestypredictytestypredict116666223311334466222255441144555533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。当前第1页12