CN111612030A - 基于深度学习的风电机组叶片表面故障识别与分类方法 - Google Patents
基于深度学习的风电机组叶片表面故障识别与分类方法 Download PDFInfo
- Publication number
- CN111612030A CN111612030A CN202010234807.7A CN202010234807A CN111612030A CN 111612030 A CN111612030 A CN 111612030A CN 202010234807 A CN202010234807 A CN 202010234807A CN 111612030 A CN111612030 A CN 111612030A
- Authority
- CN
- China
- Prior art keywords
- capsule
- network
- layer
- model
- blade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 239000002775 capsule Substances 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000002131 composite material Substances 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004901 spalling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 235000009854 Cucurbita moschata Nutrition 0.000 claims description 2
- 240000001980 Cucurbita pepo Species 0.000 claims description 2
- 235000009852 Cucurbita pepo Nutrition 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 235000020354 squash Nutrition 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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,属于新能源发电领域。本发明将深度学习引入风电机组叶片表面故障识别,采用无人机拍摄风电机组叶片表面故障图像,将叶片图像数据集划分为训练集和验证集,搭建胶囊网络和卷积神经网络复合模型,并对该模型进行训练,使得模型能够对叶片表面故障进行识别与分类。本发明用于识别风电机组叶片图像,高效准确地实现了风电机组叶片表面故障识别与分类的目的,实例分析验证了本发明的实用性和通用性。
Description
技术领域
本发明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。
背景技术
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的目的。此外,这些方法在信号传输过程中容易受到噪声干扰,导致判断失误。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供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,将胶囊网络与卷积神经网络复合模型用于风电机组叶片表面故障识别与分类,能够及时准确的识别出风电机组叶片表面故障并判断故障类型,使风电机组叶片表面故障的识别与分类工作快捷、准确。
本发明解决上述问题所采用的技术方案是: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;
风电机组的叶片一般安装在距地面几十米乃至上百米的高度,常规拍摄手段难以获得质量较高的图像。可以采用无人机搭载拍摄设备获得叶片图像。而且无人机可以随同风电机组的叶片同步运动,无须叶片保持静止状态。无人机受地形环境限制小,对复杂地形风电场特别是可及性差、出海窗口期短的海上风电场叶片适应性好。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,本发明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;
胶囊网络是一种新型的深度学习网络,其将网络隐层中的一组神经元组成向量并将该向量定义为胶囊。多个胶囊组成一个隐层。深浅两个隐层中的胶囊之间采用动态连接方式,并由动态路由计算方式确定连接强度。深层胶囊能够更有效地提取高层抽象特征,提高模型的学习和泛化能力。胶囊网络虽然在图像识别领域有着良好的应用前景,但由于结构相对简单,导致胶囊网络在复杂图像的识别方面仍存在一定的提升空间。为了解决这一问题,本发明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复合激活函数在避免出现梯度消失问题的同时,提高了模型的收敛速度,能够提高网络的叶片故障识别性能;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层输出;
数字胶囊层:使用动态路由算法得到数字胶囊层的输出,获得图像分类所需的高层抽象特征向量;
全连接层:将数字胶囊层的输出进行整合重构,给出叶片图像分类判断的结果;
胶囊网络使用动态路由算法实现低层到高层之间的信息传递,在将上一层网络中包含的信息传递到下一层的同时,增强了网络的表达能力;
动态路由算法首先进行矩阵转换,如下式所示:
Uji=Wijui
其中:
ui——主胶囊层第i个胶囊的向量输出;
Wij——主胶囊层第i个胶囊与数字胶囊层第j个胶囊的连接权值;
Uji——主胶囊层第i个胶囊送至数字胶囊层第j个胶囊的输入值;
数字胶囊层胶囊对其输入进行加权求和,如下式所示:
其中:
cij——主胶囊层第i个胶囊与数字胶囊层第j个胶囊之间的耦合系数,由动态路由算法迭代确定;
sj——数字胶囊层第j个胶囊的输入和;
采用下式Squash激活函数计算数字胶囊层的输出:
其中:
vj——数字胶囊层第j个胶囊的输出;
动态路由算法通过改变耦合系数cij来实现主胶囊层与数字胶囊之间的不同连接方式,达到训练网络的目的。cij的值由下式确定:
其中:
bij——主胶囊层第i个胶囊和数字胶囊层第j个胶囊耦合的先验概率,初始值设为0,并采用下式进行更新:
bij=bij+Uji·vj
步骤2.2,对胶囊网络和卷积神经网络复合模型进行训练;
利用训练数据集对步骤2.1搭建的胶囊网络与卷积神经网络复合模型进行训练;在训练时,采用指数衰减学习率,先使用较大的学习率以尽快得到较优解,随着迭代次数的增加,学习率逐渐降低,最终得到最优解;
步骤3,对训练完成的复合模型进行验证;
利用验证数据集验证复合模型的叶片表面故障识别能力,采用间隔损失函数衡量模型的性能,其表达式为:
Lc=Tcmax(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)2
其中:
vc——网络的输出向量;
m+——控制网络学习强度的边界值,取0.9;
m-——控制网络学习强度的边界值,取0.1;
λ——对不存在的类别进行加权,调整网络损失所占的比例,取0.5;
Tc——分类指示标签,当第c个胶囊与样本真实标签一致时,其值为1,否则为0;
步骤4,以上步骤完成后,获得适用于风电机组叶片表面故障识别与分类的模型;当输入测试叶片图像后,模型即可依据已有网络的结构与参数,自行识别叶片故障,并对叶片故障类型进行判断;当模型给出某叶片故障类型概率大于0.8时,模型识别的叶片故障类型即为该故障类型。
本发明与现有技术相比,具有以下优点和效果:
1)本发明将深度学习应用于风电机组叶片表面故障识别与分类;
2)使用的ReLU-tanh复合激活函数在避免出现梯度消失问题的同时,提高了模型的收敛速度,提高了网络的识别性能;
3)将胶囊网络与卷积神经网络融合使用,利用了卷积对图像降维的优势,提升了胶囊网络对复杂图像的识别能力;
4)根据网络识别结果能够及时发现叶片表面故障,采取预防措施,提高风电机组运行可靠性,降低维护成本。
附图说明
图1为本发明方法的流程图。
图2无人机拍摄的部分叶片图像。
图3胶囊网络和卷积神经网络复合模型结构图。
图4动态路由算法示意图。
图5模型准确度曲线图。
图6模型损失函数变化曲线图。
图7识别结果展示图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
本实施例以四旋翼无人机在某风场拍摄的图像作为研究对象,基于深度学习的风电机组叶片表面故障识别与分类方法,包括如下步骤:
步骤1,利用四旋翼无人机搭载拍摄设备,在某风场拍摄叶片图像,拍摄得到的部分图像如图2所示。
步骤2,搭建胶囊网络和卷积神经网络复合模型,网络具体结构及各层参数分别如图3和表1所示。胶囊网络动态路由算法示意图如图4所示。
表1:胶囊网络和卷积神经网络复合模型结构
类别 | 核尺寸 | 核数目 | 步长 | 输出尺寸 |
C1 | 3×3 | 64 | 1 | 544×544×64 |
P1 | 2×2 | 1 | 2 | 272×272×64 |
C2 | 3×3 | 128 | 1 | 270×270×128 |
P2 | 3×3 | 1 | 3 | 90×90×128 |
C3 | 3×3 | 256 | 1 | 88×88×256 |
C4 | 3×3 | 256 | 1 | 86×86×256 |
C5 | 3×3 | 128 | 1 | 84×84×128 |
P3 | 3×3 | 1 | 3 | 28×28×128 |
C6 | 9×9 | 256 | 1 | 20×20×256 |
PC | 9×9×256 | 8 | 1 | 6×6×8×32 |
DC | 8×16 | - | - | 16×10 |
FC1 | 1×1 | 512 | 1 | 512 |
FC2 | 1×1 | 1024 | 1 | 1024 |
FC3 | 1×1 | 784 | 1 | 784 |
其中,C代表卷积层,P代表池化层,PC代表主胶囊层,DC代表数字胶囊层,FC代表全连接层。
在模型搭建完成后,利用训练数据集对模型进行训练,使模型获得提取对象特征的能力。
步骤3,利用验证数据集对模型的识别性能进行评估,模型准确度曲线,损失函数变化曲线分别如图5和图6所示。
步骤4,将测试叶片图像送入模型进行测试。经过模型识别,识别结果如图7所示。图7由左至右分别是裂纹(crack)、腐蚀(corrosion)、剥落(spalling)的识别结果。从识别结果看,模型能够对叶片表面故障进行正确地识别与分类,验证了本发明方法的有效性。
本说明书中未作详细描述的内容均属于本领域专业技术人员公知的现有技术。
虽然本发明已以实施例公开如上,但其并非用以限定本发明的保护范围,任何熟悉该项技术的技术人员,在不脱离本发明的构思和范围内所作的更动与润饰,均应属于本发明的保护范围。
Claims (1)
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层输出;
数字胶囊层:使用动态路由算法得到数字胶囊层的输出,获得图像分类所需的高层抽象特征向量;
全连接层:将数字胶囊层的输出进行整合重构,给出叶片图像分类判断的结果;
胶囊网络使用动态路由算法实现低层到高层之间的信息传递,在将上一层网络中包含的信息传递到下一层的同时,增强了网络的表达能力;
动态路由算法首先进行矩阵转换,如下式所示:
Uji=Wijui
其中:
ui——主胶囊层第i个胶囊的向量输出;
Wij——主胶囊层第i个胶囊与数字胶囊层第j个胶囊的连接权值;
Uji——主胶囊层第i个胶囊送至数字胶囊层第j个胶囊的输入值;
数字胶囊层胶囊对其输入进行加权求和,如下式所示:
其中:
cij——主胶囊层第i个胶囊与数字胶囊层第j个胶囊之间的耦合系数,由动态路由算法迭代确定;
sj——数字胶囊层第j个胶囊的输入和;
采用下式Squash激活函数计算数字胶囊层的输出:
其中:
vj——数字胶囊层第j个胶囊的输出;
动态路由算法通过改变耦合系数cij来实现主胶囊层与数字胶囊之间的不同连接方式,达到训练网络的目的。cij的值由下式确定:
其中:
bij——主胶囊层第i个胶囊和数字胶囊层第j个胶囊耦合的先验概率,初始值设为0,并采用下式进行更新:
bij=bij+Uji·vj
步骤2.2,对胶囊网络和卷积神经网络复合模型进行训练;
利用训练数据集对步骤2.1搭建的胶囊网络与卷积神经网络复合模型进行训练;在训练时,采用指数衰减学习率,先使用较大的学习率以尽快得到较优解,随着迭代次数的增加,学习率逐渐降低,最终得到最优解;
步骤3,对训练完成的复合模型进行验证;
利用验证数据集验证复合模型的叶片表面故障识别能力,采用间隔损失函数衡量模型的性能,其表达式为:
Lc=Tcmax(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)2
其中:
vc——网络的输出向量;
m+——控制网络学习强度的边界值,取0.9;
m-——控制网络学习强度的边界值,取0.1;
λ——对不存在的类别进行加权,调整网络损失所占的比例,取0.5;
Tc——分类指示标签,当第c个胶囊与样本真实标签一致时,其值为1,否则为0;
步骤4,以上步骤完成后,获得适用于风电机组叶片表面故障识别与分类的模型;当输入测试叶片图像后,模型即可依据已有网络的结构与参数,自行识别叶片故障,并对叶片故障类型进行判断;当模型给出某叶片故障类型概率大于0.8时,模型识别的叶片故障类型即为该故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234807.7A CN111612030A (zh) | 2020-03-30 | 2020-03-30 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234807.7A CN111612030A (zh) | 2020-03-30 | 2020-03-30 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612030A true CN111612030A (zh) | 2020-09-01 |
Family
ID=72203668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010234807.7A Pending CN111612030A (zh) | 2020-03-30 | 2020-03-30 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612030A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112580711A (zh) * | 2020-12-14 | 2021-03-30 | 北京华能新锐控制技术有限公司 | 一种基于风电机组故障识别的视频图像融合方法 |
CN112802011A (zh) * | 2021-02-25 | 2021-05-14 | 上海电机学院 | 一种基于vgg-bls的风机叶片缺陷检测方法 |
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
-
2020
- 2020-03-30 CN CN202010234807.7A patent/CN111612030A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
Non-Patent Citations (1)
Title |
---|
林少丹 等: "结合胶囊网络和卷积神经网络的目标识别模型", 《电讯技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112580711A (zh) * | 2020-12-14 | 2021-03-30 | 北京华能新锐控制技术有限公司 | 一种基于风电机组故障识别的视频图像融合方法 |
CN112580711B (zh) * | 2020-12-14 | 2024-03-12 | 北京华能新锐控制技术有限公司 | 一种基于风电机组故障识别的视频图像融合方法 |
CN112802011A (zh) * | 2021-02-25 | 2021-05-14 | 上海电机学院 | 一种基于vgg-bls的风机叶片缺陷检测方法 |
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
CN114444187B (zh) * | 2022-01-28 | 2023-07-18 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612030A (zh) | 基于深度学习的风电机组叶片表面故障识别与分类方法 | |
Feng et al. | Structural damage detection using deep convolutional neural network and transfer learning | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110261394A (zh) | 在线风机叶片损伤实时诊断系统和方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
Zhang et al. | Automatic velocity picking based on deep learning | |
CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN112762362A (zh) | 基于卷积神经网络的水下管道泄漏声发射检测方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
CN113297915A (zh) | 一种基于无人机巡检的绝缘子识别目标检测方法 | |
CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
CN115861263A (zh) | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 | |
CN117113066B (zh) | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
Zhang et al. | Surface defect detection of wind turbine based on lightweight YOLOv5s model | |
CN114863361A (zh) | 基于USRNet和YOLOv3的配电线路鸟巢检测方法 | |
CN112465776B (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades | |
Zhang et al. | Unmanned Aerial Vehicle (UAV) vision-based detection of power line poles by CPU-based deep learning method | |
Hu et al. | Investigation of wind pressures on tall building under interference effects using machine learning techniques | |
CN115017943A (zh) | 轴承故障诊断模型训练方法及训练装置 | |
CN113689380B (zh) | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 | |
CN111353550A (zh) | 一种基于随机结构森林的结构物表面缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |