基于l-alexne深度学习的风力机叶片表面损伤诊断方法.docx

基于l-alexne深度学习的风力机叶片表面损伤诊断方法 摘要：针对风力发电企业在线风力发电机叶片表面损伤自动诊断难的实际问题,提出利用无人机机器视觉的基于L-AlexNet深度学习框架的风力机叶片表面损伤诊断方法。为验证该方法的有效性,选用经无人机采集的8270张像素为227×227的风力机叶片图像分别对传统BP神经网络、深度卷积网络AlexNet和L-AlexNet等分类器进行训练,再采用10次、每次350张图像进行测试。诊断类别包括:背景类、无损伤或伪损伤类、存在修复类、砂眼类、裂纹类和混合损伤类。测试结果表明:L-AlexNet深度卷积网络对表面损伤诊断的平均准确率达97.0286%,较AlexNet的平均准确率高1.9144%,较传统BP神经网络的平均准确率高26.9622%。所提出的基于优化深度学习框架的自动诊断方法可有效实现对风力机叶片表面损伤的准确诊断。 0 引言在安全生产的前提下，如何有效保障风力发电装置维持较高的能源捕获率，成为风力发电生产安全性、可靠性和经济性的基本要求。随着叶片、齿轮箱等主要设备接近或超过质保期，设备的定检和巡检工作正面临着严峻挑战。其中，对风力机叶片表面损伤的诊断和检修是确保风力发电装置能够获得稳定能源捕获率的一项重要措施。目前风力发电机发电容量不断增大，发电装置体积、叶片长度以及叶片表面积均随之增大，对风力机叶片表面情况进行全面、细致的观察越来越困难。常见的叶片表面损伤检测方法有地面敲击辨音、望远镜观测或运送检修师近距离目测检修3种，这些方法存在盲区大、危险性高、精度低、耗时耗力的弊端通过对风力发电场的实地考察，本文根据风力机运行状态的不同，设计出多种检测巡航路径方案。在弱风期，风力发电机停工或慢速运行时可采取近距离慢速绕行巡检方案；当风力机额定负荷运行时，采用距叶片旋转平面固定距离平面慢速跟随巡检方案；当盛风期来临，风力机叶片转速较快时，采用距叶片旋转平面固定距离平面定点拍摄方案。相对于传统神经网络，卷积神经网络可通过局部感受野实现图像像素级特征的自动提取，将其应用于风力发电机叶片表面损伤识别和诊断可避免特征提取时引入人为因素导致损伤信息丢失或特征提取不完全等情况的发生。本文采用卷积神经网络（convolutional neural network,CNN）架构之一的AlexNet结构进行风力机叶片损伤分类器设计。AlexNet是继Le-net5典型卷积网络结构之后，随着ReLU激活函数和Dropout算法的广泛应用以及图像图形处理器GPU和大数据带来的历史机遇所提出的又一改进型深度卷积网络AlexNet网络结构用于图像分类表现出众，已被应用于医学诊断、人脸识别、自动驾驶和城市智能交通系统等领域。如任玉强等1 网络模型1.1 BP神经网络1986年Rumelhart等提出了多层感知器（multi-layer perception,MLP）网络，即BP(back propagation）神经网络的概念用于模式分类的BP神经网络包含一层或多层隐含层。输入层神经元数量与图像分割后所提取的特征维数相等；输出层只包括1个神经元，其不同输出数值代表不同的类属。通过预测准确率不断寻优，以达到最优的隐含层数量和隐含层神经元数量。所构造的BP神经网络结构如图1所示。图1中：x1.2 AlexNet模型2012年，多伦多大学的Alex Krizhevsky团队在ImageNet（大型可视化数据库）大规模视觉识别挑战赛（large scale visual recognition challenge,ILSVRC）中引入AlexNet架构，并获得该届冠军，该架构结构模型如图2所示。由图2可知，AlexNet共包含8个层结构，按层结构功能可分为5个卷积层和3个全连接层。各层结构均包含2～4个功能子层。其中卷积层均采用最大池化（Max-Pooling）功能子层，整个深度学习网络共包含6亿3000万条链接、6000万个参数和65万个神经元节点。第1、第2卷积层（conv1、conv2）均包括4个功能子层，分别为2D-卷积子层、ReLU子层、交叉归一化子层、2D-最大池化子层。图像输入层接收的RGB图像尺寸为227×227像素。第1层（conv1），实现对图像特征像素初步提取、重构的功能，该2D-卷积子层局部感受野的尺寸为11×11。ReLU子层用作神经元的激活，实现图像特征映射、网络训练以及测试提速的功能。其对输入的像素数据进行线性修正，并激发网络相应神经元的活跃度，可使网络约50%的神经元处于激活状态第3、第4卷积层（conv3、conv4）均包括2个功能子层，分别为2D-卷积子层和ReLU子层。第4层（conv4）、第5层（conv5）的2D-卷积子层同第