[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

说明书

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。

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；