CN107154037A - 基于深度层次特征提取的风机叶片故障识别方法 - Google Patents
基于深度层次特征提取的风机叶片故障识别方法 Download PDFInfo
- Publication number
- CN107154037A CN107154037A CN201710262274.1A CN201710262274A CN107154037A CN 107154037 A CN107154037 A CN 107154037A CN 201710262274 A CN201710262274 A CN 201710262274A CN 107154037 A CN107154037 A CN 107154037A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- deep learning
- msub
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明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。
Description
技术领域
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。
发明内容
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％。
| Ytest | Ypredict | Ytest | Ypredict | Ytest | Ypredict |
| 1 | 1 | 6 | 6 | 6 | 6 |
| 2 | 2 | 3 | 3 | 1 | 1 |
| 3 | 3 | 4 | 4 | 6 | 6 |
| 2 | 2 | 2 | 2 | 5 | 5 |
| 4 | 4 | 1 | 1 | 4 | 4 |
| 5 | 5 | 5 | 5 | 3 | 3 |
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。
Claims (2)
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：
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：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<msup>
<mi>X</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>&delta;</mi>
<mi>l</mi>
</msup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
</mrow>
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：
<mrow>
<msub>
<mi>&Delta;k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<mi>&Delta;W</mi>
<mi>l</mi>
</msup>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&Delta;b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
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。
2.根据权利要求1所述的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：所述的深度学习神经网络模型采用ImageNet图像库，分类器采用支持向量机，运行平台为MATLAB2014A。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262274.1A CN107154037A (zh) | 2017-04-20 | 2017-04-20 | 基于深度层次特征提取的风机叶片故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262274.1A CN107154037A (zh) | 2017-04-20 | 2017-04-20 | 基于深度层次特征提取的风机叶片故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107154037A true CN107154037A (zh) | 2017-09-12 |
Family
ID=59792921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710262274.1A Pending CN107154037A (zh) | 2017-04-20 | 2017-04-20 | 基于深度层次特征提取的风机叶片故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107154037A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108720A (zh) * | 2018-01-08 | 2018-06-01 | 天津师范大学 | 一种基于深度多模态融合的地基云图像分类方法 |
| CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
| CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
| CN108869196A (zh) * | 2018-06-27 | 2018-11-23 | 上海扩博智能技术有限公司 | 通过无人机对风机后侧叶根区域检测方法及系统 |
| CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
| WO2019000818A1 (zh) * | 2017-06-26 | 2019-01-03 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN109889525A (zh) * | 2019-02-26 | 2019-06-14 | 北京智芯微电子科技有限公司 | 多通信协议智能感知方法 |
| CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110992316A (zh) * | 2019-11-18 | 2020-04-10 | 湖北工业大学 | 基于2d cam的大脑核磁共振异常图像的可视化方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN111612030A (zh) * | 2020-03-30 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
| CN112070102A (zh) * | 2019-06-11 | 2020-12-11 | 上海电机学院 | 一种风机叶片状态监测方法及系统 |
| CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| GB2586227A (en) * | 2019-08-07 | 2021-02-17 | Renewable Energy Systems Ltd | System and method for controlling shadow flicker from a wind turbine |
| CN112446266A (zh) * | 2019-09-04 | 2021-03-05 | 北京君正集成电路股份有限公司 | 一种适合前端的人脸识别网络结构 |
| CN112560913A (zh) * | 2020-12-04 | 2021-03-26 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
-
2017
- 2017-04-20 CN CN201710262274.1A patent/CN107154037A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| ALEX KRIZHEVSKY等: "ImageNet Classification with Deep Convolutional", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 25 (NIPS 2012)》 * |
| JAKE BOUVRIE 等: "Notes on Convolutional Neural Networks", 《COGPRINTS》 * |
| TORNADOMEET: "Deep learning：五十一(CNN的反向求导及练习)", 《CNBLOGS》 * |
| YOHEI TAKADA: "Defect Detection and Classification of Electronic Circuit Boards Using Keypoint Extraction and CNN Features", 《PATTERNS 2017 : THE NINTH INTERNATIONAL CONFERENCES ON PERVASIVE PATTERNS AND APPLICATIONS》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019000818A1 (zh) * | 2017-06-26 | 2019-01-03 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
| US11286913B2 (en) | 2017-06-26 | 2022-03-29 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and apparatus for monitoring formation of ice on wind turbine blade |
| CN108108720A (zh) * | 2018-01-08 | 2018-06-01 | 天津师范大学 | 一种基于深度多模态融合的地基云图像分类方法 |
| CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
| CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
| CN108869196A (zh) * | 2018-06-27 | 2018-11-23 | 上海扩博智能技术有限公司 | 通过无人机对风机后侧叶根区域检测方法及系统 |
| CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN109870617B (zh) * | 2018-09-21 | 2020-08-14 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN109889525A (zh) * | 2019-02-26 | 2019-06-14 | 北京智芯微电子科技有限公司 | 多通信协议智能感知方法 |
| CN112070102A (zh) * | 2019-06-11 | 2020-12-11 | 上海电机学院 | 一种风机叶片状态监测方法及系统 |
| GB2586227B (en) * | 2019-08-07 | 2022-04-20 | Renewable Energy Systems Ltd | System and method for controlling shadow flicker from a wind turbine |
| GB2586227A (en) * | 2019-08-07 | 2021-02-17 | Renewable Energy Systems Ltd | System and method for controlling shadow flicker from a wind turbine |
| CN112446266A (zh) * | 2019-09-04 | 2021-03-05 | 北京君正集成电路股份有限公司 | 一种适合前端的人脸识别网络结构 |
| CN112446266B (zh) * | 2019-09-04 | 2024-03-29 | 北京君正集成电路股份有限公司 | 一种适合前端的人脸识别网络结构 |
| CN110792563B (zh) * | 2019-11-04 | 2020-09-15 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110992316A (zh) * | 2019-11-18 | 2020-04-10 | 湖北工业大学 | 基于2d cam的大脑核磁共振异常图像的可视化方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN111426950B (zh) * | 2020-03-19 | 2020-11-27 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN111612030A (zh) * | 2020-03-30 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
| CN112233091B (zh) * | 2020-10-15 | 2021-05-18 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| CN112560913A (zh) * | 2020-12-04 | 2021-03-26 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
| WO2022116570A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
| CN112560913B (zh) * | 2020-12-04 | 2023-11-03 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107154037A (zh) | 基于深度层次特征提取的风机叶片故障识别方法 | |
| CN104573879B (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
| CN109086793B (zh) | 一种风力发电机的异常识别方法 | |
| CN102521656B (zh) | 非平衡样本分类的集成迁移学习方法 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN105354587A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
| CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
| CN106895975A (zh) | 基于Ｓtacked ＳＡＥ深度神经网络的轴承故障诊断方法 | |
| CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN104182803B (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
| CN107194600A (zh) | 一种电力负荷季节特性分类方法 | |
| CN110689068B (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
| CN115994325B (zh) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 | |
| CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
| CN108510001A (zh) | 一种风力发电机叶片缺陷分类方法及其分类系统 | |
| CN111709477A (zh) | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 | |
| CN109033169A (zh) | 基于多级权重转换和卷积神经网络的移动流量分类方法 | |
| Zhao et al. | Detecting surface defects of wind tubine blades using an Alexnet deep learning algorithm | |
| CN108335019A (zh) | 风机偏航系统的故障诊断识别方法 | |
| CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
| CN115862073A (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
| CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170912 |
|
| WD01 | Invention patent application deemed withdrawn after publication |