本發(fā)明涉及風(fēng)機(jī)葉片圖像故障識(shí)別
技術(shù)領(lǐng)域：
，具體涉及基于深度層次特征提取的風(fēng)機(jī)葉片圖像異常識(shí)別方法，通過風(fēng)機(jī)葉片的圖片來判斷其故障類型。
背景技術(shù)：
：現(xiàn)代化社會(huì)生活已經(jīng)離不開能源，然而隨著石油的等不可再生能源的減少，人們?cè)絹碓揭庾R(shí)到了能源危機(jī)，開始大力發(fā)展可再生能源。作為可再生能源之一的風(fēng)能，分布廣泛，能量龐大，具有巨大的應(yīng)用前景。風(fēng)機(jī)葉片是將風(fēng)能轉(zhuǎn)換為電能的動(dòng)力部件，直接影響著風(fēng)能發(fā)電的轉(zhuǎn)換效率，然而葉片長期處于自然環(huán)境中，臺(tái)風(fēng)、暴雨或者雷電都可能損壞葉片。因此，風(fēng)機(jī)葉片的故障診斷對(duì)于風(fēng)力發(fā)電站具有著重要意義。隨著風(fēng)機(jī)發(fā)電規(guī)模的不斷擴(kuò)大，傳統(tǒng)的人工巡檢已經(jīng)不能，滿足風(fēng)力發(fā)電在的日常巡檢需求，對(duì)風(fēng)機(jī)葉片故障的高效診斷方法需求愈加迫切。傳統(tǒng)的風(fēng)機(jī)葉片故障診斷方式為人工巡檢，需要巡檢人員爬上風(fēng)機(jī)依靠經(jīng)驗(yàn)來判斷葉片的損壞程度，但對(duì)于大規(guī)模的風(fēng)力發(fā)電站，人工巡檢無疑效率太低。近來比較流行的是結(jié)合環(huán)境因素，預(yù)測(cè)風(fēng)機(jī)發(fā)電量，對(duì)比風(fēng)機(jī)實(shí)際發(fā)電量來判斷葉片的損壞程度，但其無法發(fā)現(xiàn)風(fēng)機(jī)葉片的潛在故障，無法在故障發(fā)生之前對(duì)其進(jìn)行故障預(yù)測(cè)，也無法判斷葉片的故障類型。技術(shù)實(shí)現(xiàn)要素：為了解決傳統(tǒng)風(fēng)機(jī)葉片故障識(shí)別中的一些不足，本發(fā)明提出一種深度層次特征提取的風(fēng)機(jī)葉片故障識(shí)別方法，該方法利用深度學(xué)習(xí)技術(shù)，提取風(fēng)機(jī)葉片的故障特征，再通過支持向量機(jī)模型進(jìn)行故障分類，最終得到風(fēng)機(jī)葉片的故障類型。本發(fā)明的技術(shù)方案具體步驟如下：步驟1：將imagenet圖像數(shù)據(jù)庫中的圖像大小調(diào)整為227*227*3的大小作為深度學(xué)習(xí)訓(xùn)練集{xi,yi},i＝1,2...n，其中xi表示圖像，其大小為227*227，3表示rgb三色通道，yi表示圖像所屬類別標(biāo)簽，其值為1‐1000之間共1000類；步驟2：構(gòu)建一個(gè)包含5層卷積層、3層池化層和2層全連接層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，對(duì)訓(xùn)練集圖像進(jìn)行卷積、池化操作，具體包括如下步驟：(1)將訓(xùn)練集大小為227*227*3的圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c1卷積層，通過96個(gè)大小為11*11的卷積模板，步長設(shè)置為4，對(duì)訓(xùn)練圖像進(jìn)行卷積操作，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為55*55*96的特征圖像；(2)將步驟(1)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p1池化層，池化模板為3*3，步長設(shè)置為2，得到大小為27*27*96的特征圖像；(3)將步驟(2)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c2卷積層，通過256個(gè)大小為5*5的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為27*27*256的特征圖像；(4)將步驟(3)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p2池化層，池化模板為3*3，步長設(shè)置為2，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*256的特征圖像；(5)將步驟(4)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c3卷積層，通過384個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*384的特征圖像；(6)將步驟(5)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c4卷積層，通過384個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*384的特征圖像；(7)將步驟(6)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c5卷積層，通過256個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*256的特征圖像；(8)將步驟(7)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p3池化層，池化模板為3*3，步長設(shè)置為2，得到大小為6*6*256的特征圖像；(9)將步驟(8)中得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)全連接層f1，采用4096個(gè)神經(jīng)元，對(duì)輸入的每個(gè)特征圖像進(jìn)行全連接，得到4096個(gè)特征值；(10)將步驟(9)中得到的特征值輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)全連接層f2，采用1000個(gè)神經(jīng)元，對(duì)輸入的每個(gè)特征圖像進(jìn)行全連接，得到1000個(gè)特征值，即屬于1000個(gè)類別的概率；步驟3：采用反向傳導(dǎo)算法，逐層對(duì)權(quán)重和偏置進(jìn)行更新，具體步驟如下：(1)計(jì)算每個(gè)訓(xùn)練樣本的損失函數(shù)：loss＝-logf(x)y其中f(x)y表示輸出層中預(yù)測(cè)正確的概率值；(2)計(jì)算全連接輸出層的誤差敏感值：其中f′(ul)表示第l層輸出激活函數(shù)的導(dǎo)數(shù)，yn為樣本標(biāo)簽的獨(dú)熱碼，f(xn)為樣本屬于各類的概率值，為點(diǎn)乘，即每個(gè)元素相乘；(3)計(jì)算其它全連接層的誤差敏感值：其中wl+1表示l+1層的權(quán)值，t表示轉(zhuǎn)置，δl+1表示l+1層的誤差敏感值，f′(ul)表示第l層輸出激活函數(shù)的導(dǎo)數(shù)；(4)計(jì)算卷積層的誤差敏感值：其中up()表示一個(gè)上采樣操作，表示第l+1層的誤差敏感值，表示第l層輸出激活函數(shù)的導(dǎo)數(shù)；(5)計(jì)算池化層的誤差敏感值：其中conv2表示離散卷積計(jì)算，rot180表示把卷積核旋轉(zhuǎn)180度，表示l+1層的卷積核；(6)計(jì)算卷積核、權(quán)值和偏置值導(dǎo)數(shù)：其中u，v表示卷積核坐標(biāo)，kij表示卷積核參數(shù)，wl表示權(quán)值，bj表示偏置，xl-1表示第l‐1層輸出值，是xl-1與l層卷積核逐元素相乘的結(jié)果；(7)通過步驟(6)計(jì)算的導(dǎo)數(shù)值分別對(duì)卷積核、權(quán)值和偏置值進(jìn)行更新：其中η為學(xué)習(xí)率；步驟4：重復(fù)步驟2到步驟3，直到相鄰兩次卷積核、權(quán)值和偏置值的變化值小于10-6；步驟5：將風(fēng)機(jī)葉片圖像大小調(diào)整為227*227*3，并分成兩組，一組作為訓(xùn)練集{xtrain,ytrain}，另一組作為測(cè)試集{xtest,ytest}；步驟6：利用步驟4最終得到的卷積核、權(quán)值和偏置值，輸入訓(xùn)練集{xtrain,ytrain}，通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)步驟2中(1)到(9)步，得到4096個(gè)特征值；步驟7：將步驟6得到所有訓(xùn)練樣本的4096個(gè)特征值，放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)，求解分類超平面，得到支持向量機(jī)模型；步驟8：將測(cè)試集{xtest,ytest}數(shù)據(jù)同步驟6輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，得到4096個(gè)特征值；步驟9：將步驟8中得到的特征值帶入步驟7訓(xùn)練好的支持向量機(jī)模型中，最終得到分類預(yù)測(cè)結(jié)果ypredict，從而實(shí)現(xiàn)風(fēng)機(jī)葉片故障類型的識(shí)別。所述的深度學(xué)習(xí)訓(xùn)練模型采用imagenet圖像庫，分類器采用支持向量機(jī)，運(yùn)行平臺(tái)為matlab2014a。附圖說明圖1是本發(fā)明實(shí)現(xiàn)的流程圖。圖2是風(fēng)機(jī)葉片故障圖片，圖2a、圖2b和圖2c分別為不同類型的故障。具體實(shí)施方式下面參照?qǐng)D1，結(jié)合風(fēng)機(jī)葉片圖像故障識(shí)別為實(shí)例對(duì)本發(fā)明作更詳細(xì)的說明。本發(fā)明基于深度學(xué)習(xí)風(fēng)機(jī)葉片圖像故障識(shí)別方法，步驟如下：步驟1：將imagenet圖像數(shù)據(jù)庫中的圖像大小調(diào)整為227*227*3的大小作為深度學(xué)習(xí)訓(xùn)練集{xi,yi},i＝1,2...n，其中xi表示圖像，其大小為227*227，3表示rgb三色通道，yi表示圖像所屬類別標(biāo)簽，其值為1‐1000之間共1000類。步驟2：構(gòu)建一個(gè)包含5層卷積層、3層池化層和2層全連接層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，對(duì)訓(xùn)練集圖像進(jìn)行卷積、池化操作，具體包括如下步驟：(1)將訓(xùn)練集大小為227*227*3的圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c1卷積層，通過96個(gè)大小為11*11的卷積模板，步長設(shè)置為4，對(duì)訓(xùn)練圖像進(jìn)行卷積操作，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為55*55*96的特征圖像。(2)將步驟(1)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p1池化層，池化模板為3*3，步長設(shè)置為2，得到大小為27*27*96的特征圖像。(3)將步驟(2)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c2卷積層，通過256個(gè)大小為5*5的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為27*27*256的特征圖像。(4)將步驟(3)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p2池化層，池化模板為3*3，步長設(shè)置為2，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*256的特征圖像。(5)將步驟(4)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c3卷積層，通過384個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*384的特征圖像。(6)將步驟(5)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c4卷積層，通過384個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*384的特征圖像。(7)將步驟(6)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)c5卷積層，通過256個(gè)大小為3*3的卷積模板，步長設(shè)置為1，并使用relu激勵(lì)函數(shù)，將特征值保持在(0,1)之間，得到大小為13*13*256的特征圖像。(8)將步驟(7)中的得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)p3池化層，池化模板為3*3，步長設(shè)置為2，得到大小為6*6*256的特征圖像。(9)將步驟(8)中得到的特征圖像輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)全連接層f1，采用4096個(gè)神經(jīng)元，對(duì)輸入的每個(gè)特征圖像進(jìn)行全連接，得到4096個(gè)特征值。(10)將步驟(9)中得到的特征值輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)全連接層f2，采用1000個(gè)神經(jīng)元，對(duì)輸入的每個(gè)特征圖像進(jìn)行全連接，得到1000個(gè)特征值，即屬于1000個(gè)類別的概率。步驟3：采用反向傳導(dǎo)算法，逐層對(duì)權(quán)重和偏置進(jìn)行更新，具體步驟如下：(1)計(jì)算每個(gè)訓(xùn)練樣本的損失函數(shù)：loss＝-logf(x)y其中f(x)y表示輸出層中預(yù)測(cè)正確的概率值。(2)計(jì)算全連接輸出層的誤差敏感值：其中f′(ul)表示第l層輸出激活函數(shù)的導(dǎo)數(shù)，yn為樣本標(biāo)簽的獨(dú)熱碼，f(xn)為樣本屬于各類的概率值，為點(diǎn)乘，即每個(gè)元素相乘。(3)計(jì)算其它全連接層的誤差敏感值：其中wl+1表示l+1層的權(quán)值，t表示轉(zhuǎn)置，δl+1表示l+1層的誤差敏感值，f′(ul)表示第l層輸出激活函數(shù)的導(dǎo)數(shù)。(4)計(jì)算卷積層的誤差敏感值：其中up()表示一個(gè)上采樣操作，表示第l+1層的誤差敏感值，表示第l層輸出激活函數(shù)的導(dǎo)數(shù)。(5)計(jì)算池化層的誤差敏感值：其中conv2表示離散卷積計(jì)算，rot180表示把卷積核旋轉(zhuǎn)180度，表示l+1層的卷積核。(6)計(jì)算卷積核、權(quán)值和偏置值導(dǎo)數(shù)：其中u，v表示卷積核坐標(biāo)，kij表示卷積核參數(shù)，wl表示權(quán)值，bj表示偏置，xl-1表示第l‐1層輸出值，是xl-1與l層卷積核逐元素相乘的結(jié)果。(7)通過步驟(6)計(jì)算的導(dǎo)數(shù)值分別對(duì)卷積核、權(quán)值和偏置值進(jìn)行更新：其中η為學(xué)習(xí)率。步驟4：重復(fù)步驟2到步驟3，直到相鄰兩次卷積核、權(quán)值和偏置值的變化值小于10-6。步驟5：將風(fēng)機(jī)葉片圖像大小調(diào)整為227*227*3，如圖2所示，并分成兩組，一組作為訓(xùn)練集{xtrain,ytrain}，其中ytrain為1表示后緣損傷、2表示裂痕、3表示脫皮、4表示刮傷、5表示正常、6表示漆面損傷，共6種類型，另一組作為測(cè)試集{xtest,ytest}，其中訓(xùn)練集樣本數(shù)為54張，測(cè)試機(jī)樣本數(shù)為18張。步驟6：利用步驟4最終得到的卷積核、權(quán)值和偏置值，輸入訓(xùn)練集{xtrain,ytrain}，通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)步驟2中(1)到(9)步，得到4096個(gè)特征值。步驟7：將步驟6得到所有訓(xùn)練樣本的4096個(gè)特征值，放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)，求解分類超平面，得到支持向量機(jī)模型。步驟8：將測(cè)試集{xtest,ytest}數(shù)據(jù)同步驟6輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，得到4096個(gè)特征值。步驟9：將步驟8中得到的特征值帶入步驟7訓(xùn)練好的支持向量機(jī)模型中，最終得到分類預(yù)測(cè)結(jié)果ypredict，對(duì)比預(yù)測(cè)和測(cè)試標(biāo)簽如下表所示，預(yù)測(cè)準(zhǔn)確率為100％。ytestypredictytestypredictytestypredict116666223311334466222255441144555533所述的深度學(xué)習(xí)訓(xùn)練模型采用imagenet圖像庫，分類器采用支持向量機(jī)，運(yùn)行平臺(tái)為matlab2014a。當(dāng)前第1頁12