[发明专利]基于深度学习的风电机组叶片表面故障识别与分类方法

权利要求书

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：

U_ji＝W_iju_i

其中：

u_i——主胶囊层第i个胶囊的向量输出；

W_ij——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；

U_ji——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：

c_ij——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；

s_j——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：

v_j——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c_ij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。c_ij的值由下式确定：

其中：

b_ij——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：

b_ij＝b_ij+U_ji·v_j

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：

L_c＝T_cmax(0,m⁺-||v_c||)²+λ(1-T_c)max(0,||v_c||-m^-)²

其中：

v_c——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；

T_c——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。