(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210742710.6 (22)申请日 2022.06.27 (71)申请人 西安翔迅科技有限责任公司 地址 710077 陕西省西安市锦业 二路15号 中航工业西安计算技术研究所1号厂 房112室 (72)发明人 吴娇　雷红涛　李刚　高凡　张苑　 任毅　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 赵逸宸 (51)Int.Cl. F03D 17/00(2016.01) F03D 80/40(2016.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/40(2022.01) G06V 20/52(2022.01) (54)发明名称 一种风电机组叶片多故障检测分类方法 (57)摘要 本发明具体涉及一种风电机组叶片多故障 检测分类方法， 解决了针对现有方法只能检测单 一故障， 并且由于环境的复杂性， 部分精确的检 测方法无法适用的技术问题。 本发 明包括如下步 骤： 步骤1， 构建风电机组叶片检测模型； 步骤 1.1， 制备成风电机组叶片检测数据集； 步骤1.2， 根据叶片检测数据集训练风电机组叶片检测模 型； 步骤2， 训练网络分类模型； 步骤2.1， 收集带 有结冰以及断裂特性的风机风电机组叶片图片， 形成结冰、 断裂分类数据集； 步骤2.2， 根据结冰、 断裂分类数据集和步骤1.2中训练好的风电机组 叶片检测模型， 对网络分类模型进行训练； 步骤 3， 基于风电机组叶片检测模型和 网络分类模型 进行风机叶片故障检测并分类 。 权利要求书2页 说明书7页 附图2页 CN 115143052 A 2022.10.04 CN 115143052 A 1.一种风电机组叶片多故障检测分类方法， 其特 征在于， 包括如下步骤： 步骤1， 训练风电机组叶片检测模型 步骤1.1， 收集 风电机组运行状态下的图片制备成风电机组叶片检测数据集； 步骤1.2， 构建风电机组叶片检测模型， 根据叶片检测数据集训练风电机组叶片检测模 型， 获得训练好的风电机组叶片检测模型； 步骤2， 训练网络分类模型； 步骤2.1， 收集带有结冰以及断裂特性的风机风电机组叶片图片， 形成结冰、 断裂分类 数据集； 步骤2.2， 构 建网络分类模型， 根据结冰、 断裂分类数据集和步骤1.2中训练好的风电机 组叶片检测模型， 对网络分类模型进行训练， 获得训练好的网络分类模型； 步骤3， 基于训练好的风电机组叶片检测模型和网络分类模型进行风机 叶片故障检测 并分类。 2.根据权利要求1所述的一种风电机组叶片多故障检测分类方法， 其特 征在于， 所述步骤1.2具体如下： 采用最轻量化的yolov5 ‑s模型构建风电机组叶片检测模型， 风电机组叶片检测数据集 进行划分与标注后分为风电机组叶片检测数据集的训练集和 风电机组叶片检测数据集的 测试集； 将风电机组叶片检测数据集的训练集输入最轻量化的yolov5 ‑s模型， 最轻量化的 yolov5‑s模型输出定位后的风电机组叶片感兴趣区域ROI； 最轻量化的yolov5 ‑s模型经风电机组叶片检测数据集的训练集N次迭代训练， 最终得 到训练后的风电机组叶片检测模型， N≧ 300。 3.根据权利要求2所述的一种风电机组叶片多故障检测分类方法， 其特征在于， 步骤 1.2还包括： 将风电机组叶片检测数据集的测试集输入训练后的风电机组叶片检测模型， 如果测试 集输出的数据中90％以上都检测到了风电机组叶片， 则说明风电机组叶片 检测模型符合要 求， 否则返回步骤1.1。 4.根据权利要求2所述的一种风电机组叶片多故障检测分类方法， 其特征在于， 所述步 骤2.2具体如下： 所述网络分类模型通过优化后的基本网络ResNet18制备； 将结冰、 断裂数据集划分并标注后得到结冰、 断裂数据集的训练集和结冰、 断裂数据集 的测试集； 将结冰、 断裂数据集的训练集带入步骤1.2中得到的风电机组叶片检测模型， 风电机组 叶片检测模 型输出定位后的风电机组叶片感兴趣区域 ROI， 然后将 定位后的感兴趣区域 ROI 进行裁剪； 最后 将裁剪的感兴趣区域 ROI送入网络 分类模型中进行分类模型训练， 最 终得到 成熟的分类网络模型； 成熟的分类网络模型通过结冰、 断裂数据集的测试集进行检测， 若检测的准确率在 90％以上， 则符合要求， 否则返回步骤2.1。 5.根据权利要求4所述的一种风电机组叶片多故障检测分类方法， 其特征在于， 步骤 2.2中， 所述优化后的基本网络ResNet18如下：权　利　要　求　书 1/2 页 2 CN 115143052 A 2特征图各层通道数为[32、 64、 128、 256]； 卷积输出层通道数等于卷积核个数； 在卷积后 使用了批量归一化层BN和激活函数RReLU； 运用卷积层替换了原ResNet18中的全连接层， 设 置的输出通道数为分类的类别数。 6.根据权利要求5所述的一种风电机组叶片多故障检测分类方法， 其特 征在于： 所述批量归一 化层BN的向前传导公式如下： 其中xi为每层中的单个神经元， m为每层中的神经元个数， μB为BN层的均值， 为BN层的 方差， ε为一个趋近0的极小值， 为归一化神经元无偏估计值， γ， β 为可学习参 数， yi为归一 化后输出值； 所述激活函数R ReLU公式如下： aij～U(l,u)l＜ u and u∈[0,1) 其中xij为单个神经元， U(l,u)为均匀分布函数， aij是在均匀分布函数U(l,u)中随机抽 取的一个数值， yij为输出值， l为均匀分布函 数U(l,u)定 义域中的最小值， u为均匀分布函 数 U(l,u)定义 域中的最大值。 7.根据权利要求6所述的一种风电机组叶片多故障检测分类方法， 其特 征在于： 步骤2.2中， 在训练分类网络模型时， 使用softmax ‑x函数， 进行数值运算的溢出抑制， softmax‑x函数Si表达式如下： ei,ej为指数函数， i,j为元 素， C和C'为常数。 8.根据权利要求7 所述的一种风电机组叶片多故障检测分类方法， 其特 征在于： 步骤3具体为： 首先通过叶片检测模型检测出风电机组叶片， 并将检测的风电机组叶片做为基准， 获 取风电机组叶片的长方形感兴趣区ROI； 然后以此ROI裁剪的区域作为ROI数据， ROI数据输 入网络分类模型， 通过网络分类模型标记出风电机组叶片状态； 最后将分类模型所监测的 叶片状态反馈给监测端， 若叶片状态 为异常， 监测端 预警相应的故障类型， 实现风电机组叶 片状态的实时监测。权　利　要　求　书 2/2 页 3 CN 115143052 A 3