杜金 張欣鈺 楊雅君 王錚 馬亞杰 宋美

摘要：風機葉片的故障是影響風力發(fā)電持續(xù)健康發(fā)展的主要問題，也隱藏著巨大的安全隱患與環(huán)境問題。為了對風機葉片進行故障檢測，文章提出了一種基于YOLOv5s算法的風機葉片故障識別與檢測的模型。使用無人機對某風場靜止的故障風機葉片進行圖像采集，在經過人工標注故障區(qū)域后，將訓練集帶入YOLOv5s進行訓練。結果顯示，YOLOv5s對比YOLOv4在風機葉片的故障檢測效果上有較大提升，精度為90.2%，召回率達到93.4%， mAP值提升了3%，達到65.3%，在實現(xiàn)快速檢測的同時兼顧了較高的準確率。

關鍵詞：風機葉片；YOLOv5s；故障識別；目標檢測；交并比

中圖分類號：TP277? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）06-0076-03

開放科學（資源服務）標識碼（OSID）

0 引言

風力發(fā)電作為發(fā)展最為成熟、最具有開發(fā)規(guī)模的可再生、清潔的綠色能源，擁有廣闊的發(fā)展前景。風機葉片作為風力發(fā)電的重要承載部件，其是否安全運行直接影響著風力發(fā)電機組對風能的獲取效率，同時對設備的使用壽命以及周圍的環(huán)境安全有著巨大的影響。根據(jù)我國風能資源的分布，風力設備多分布在濕度高、氣溫低的沿海與高海拔地區(qū)。由于風機葉片制造中的鑄造氣孔、鑄造砂眼以及葉片與上冠、下環(huán)肩的過渡角設計的缺陷[1]，當葉片長期在惡劣的環(huán)境下運行時，容易發(fā)生葉片腐蝕、損壞、蒙皮剝離、葉片結冰、折斷等故障。因此，對風機葉片故障檢測進行研究對于減小經濟損失和安全隱患具有重要的意義。

受技術的限制，目前我國對風機葉片的故障檢測多使用人工檢測或望遠鏡觀測等傳統(tǒng)檢測方法。人工檢測是高空作業(yè)，檢測效率低、危險系數(shù)高，且適應復雜地勢的能力差，不易滿足風機長期檢修的要求；而望遠鏡觀測對設備的要求較高，且觀測誤差與主觀性較大。無人機的快速發(fā)展與廣泛使用為葉片故障檢測提供了一種新的方法。無人機檢測操作簡單、檢測成本較低、維修方便。將無人機裝配高像素云臺設備，利用紅外、紫外成像傳感器模塊等定期拍攝風機葉片的照片，記錄葉片的變化，可用于對風機葉片的長期檢測[2]。

對于風機葉片照片中缺陷故障的目標確定、特征精確識別并提取、特征分類、消除冗余確定最佳目標范圍是進行目標檢測的核心步驟。神經網絡對于時序特征的提取能力強、泛化能力相對較好，且能對特征的提取進行無監(jiān)督的自主學習，在計算機視覺領域得到了快速的發(fā)展，成為了目前圖像識別的主流技術。

基于SCADA系統(tǒng)、回歸算法和深度學習等針對風機葉片的研究，已有眾多論文發(fā)表。文獻[3]基于 SCADA數(shù)據(jù)的故障預測技術，建立了多元數(shù)據(jù)融合的風機葉片結冰故障預測模型。文獻[4]基于邏輯回歸算法構造不平衡分類器，以根據(jù)SCADA 數(shù)據(jù)實現(xiàn)風機葉片結冰監(jiān)測。文獻[5]是運用棧式自編碼網絡建立葉片結冰早期預測模型實現(xiàn)了故障特征的自適應提取和狀態(tài)分類，有效簡化了傳統(tǒng)預測模型的復雜度。文獻[6]對風機葉片的原理進行分析，提出了振動方法研究葉片狀態(tài)的建議。文獻[7]基于三軸加速度傳感器模型數(shù)據(jù)融合設計了數(shù)字信號處理技術振動監(jiān)控系統(tǒng)，實現(xiàn)了葉片故障發(fā)生率75%的提前預測。文獻[8]直接通過無人機獲取葉片表面圖像，對風機葉片表面的故障進行區(qū)域劃分和缺陷問題分類。文獻[9]介紹了一種基于深度學習的動車掃石器丟失故障圖像識別方法，提高了檢測效率和準確性。文獻[10]利用無人機對電網進行巡檢，將巡檢的圖像進行自動判讀，基于深度學習對小樣本的多目標缺陷檢測與識別問題，提供了一種新的解決方法。

在考慮了風機運行的環(huán)境特征、技術限制和經濟因素，仔細分析了無人機的主要構造以及飛行控制原理之后，制定出一套高效的風機葉片故障圖像采集方案。本文針對現(xiàn)有算法參數(shù)量大、檢測效率低的問題，基于YOLOv5s算法構建了實時監(jiān)測風機狀態(tài)模型，可大大提升故障檢測準確率及效率。

1 風機葉片常見故障及數(shù)據(jù)預處理

由于地形和氣候的影響，風機葉片會遇到不同的故障問題。通過無人機對風機葉片定期進行照片、視頻的采集和記錄，對原始圖像進行處理之后，對數(shù)據(jù)進行預處理。

1.1 風機葉片常見故障

根據(jù)風機葉片受損原因和程度不同，將故障主要分為以下五大類：葉片受損、葉片結冰、表皮油污、折斷。由于風機多在極端的天氣下運行，葉片遭受著風沙、雨雪、暴曬、冰雹等腐蝕，容易出現(xiàn)表面裂痕和邊沿開裂等葉片受損，如圖1所示。因為風機多建立潮濕、低溫的沿海和山區(qū)，葉片在此種環(huán)境中容易表皮覆冰，如圖2所示。當風機運行出現(xiàn)故障時，其表面可能出現(xiàn)黑色油污，如圖3所示。如果葉片受損之后沒有得到及時檢修，會加速葉片的老化，最終造成葉片折斷，如圖4所示。

1.2 數(shù)據(jù)預處理

與合作單位制定數(shù)據(jù)采集計劃，使用無人機對某風場靜止的故障風機葉片進行近距離安全區(qū)域多角度圖像采集，獲取約3000張足夠清晰的圖片及10段左右視頻。對于采集到的原始圖像進行人工篩選，劃分為有故障圖像集和無故障圖像集，并對有故障圖像集利用標記軟件標注出故障具體位置與類別。將故障圖像集按照7：2：1劃分為訓練集、驗證集和測試集。

2 YOLOv5算法原理

YOLO系列作為一種新的目標檢測算法，它能夠在實現(xiàn)快速檢測的同時兼顧較高的準確率。YOLO將目標區(qū)域和目標類別的預測整合到單個神經網絡模型中，利用整張圖片作為網絡的輸入，直接在輸出層回歸目標的類別和位置信息。YOLOv5為了解決目標識別中效果較差的問題，對比于YOVOv4，主干網絡依舊使用CSPDarkNet，但在基準網絡中新增Focus結構，將多個slice結果Concat起來，然后將其送入CBL模塊中。對比于YOLOv3，輸出端采用Mosaic數(shù)據(jù)增強方式，將原始數(shù)據(jù)按照隨機縮放、隨機剪裁和隨機排布的方式進行拼接而成，在豐富數(shù)據(jù)集的同時，大大提升了數(shù)據(jù)的訓練速度，增強了魯棒性。以YOLOv5s為例，其目標檢測網絡架構可分為四個部分：輸入端、基準網絡、Neck網絡和Head輸出端。其網絡架構如圖5所示，其中CBL、Res unit、SCP1-X、SCP2-X、FOCUS模塊操作如圖5所示。

YOLOv5s的輸入端表示要輸入的圖片。該網絡輸入大小為608×608的圖像后，對其進行歸一化等操作。在網絡訓練階段時，YOLOv5s使用Mosaic數(shù)據(jù)增強操作來提升模型訓練速度和網絡精度，并通過自適應錨框計算和自使用圖片縮放進一步提升算法的訓練速度。

YOLOv5s在CSPDarknet結構基礎上，新增Focus結構作為基準網絡，通過slice操作來對輸入圖片進行裁剪，進一步提取一些通用的特征表示。

YOLOv5s在Neck網絡中依舊使用FPN+PAN結構，相較于YOLOv4在Neck結構里普通的卷積操作，YOLOv5s采用借鑒CSPnet設計的CSP2結構，利用CSP2結構代替部分CBL模塊，從而加強了網絡特征的融合能力。

YOLOv5s的Head輸出端用于完成目標檢測結果的輸出，利用GIOU_Loss來代替Smooth L1 Loss作為Bounding box的損失函數(shù)，從而進一步提升算法的檢測精度。

3 實驗結果與分析

3.1 實驗訓練環(huán)境與訓練方法

本次實驗的運行環(huán)境如下：CPU為Intel i7-9750H，GPU為NVIDIA TITAN Xp，內存為32 GB，操作系統(tǒng)為Windows10，安裝CUDA11.1、cuDNN 8.0.5與tensorrt7.2.2.3庫文件，開發(fā)語言為Python3.8，Pytorch1.8.0框架。

在模型訓練過程中，由于數(shù)據(jù)大小適中，為避免過大的Bach-size降低訓練的隨機性，導致模型陷入局部最優(yōu)的情況。所以將Bach-size調整為5來增強模型的泛化性。設網絡訓練的初始學習率為0.01，權重衰減設置為0.0005，迭代次數(shù)為400。采用隨機梯度下降優(yōu)化器設定動量因子為0.937，其余參數(shù)根據(jù)YOLOv5團隊開發(fā)的超參數(shù)文件hyp.scratch.yaml默認。

3.2 模型評價指標

選擇的目標檢測模型的參數(shù)評估指標主要有mAp值，精度（Precision）和召回率（Recall）。一般訓練結果主要觀察Precision、Recal波動情況，然后觀察mAP@0.5：0.95 評價訓練結果。

1）Precision：精確率，指正確預測的結果數(shù)占所有預測為正樣本的比率， [11]其公式如下：

[precision=TPTP+FP]

其中TP指將正類預測為正類數(shù)目[11] 。FP指將負類預測為正類數(shù)目[11] 。

2）Recall：召回率，指預測正確的結果數(shù)占真實結果總數(shù)的比例[11]，其公式如下：

[recall=TPTP+FN]

其中FN指將正類預測為負類數(shù)目[11] 。

3）mAP：所有數(shù)據(jù)的所有種類的平均精度的平均值[11]。其計算公式如下：

[mAP=i=1CAPiC]

其中，AP指單類別精度均值，而mAP@0.5：0.95表示在不同IoU閾值（從0.5到0.95，步長0.05）上的平均mAP。

4）IoU：交并比，指的是ground truth bbox與predict bbox的交集面積占兩者總面積的一個比值，IoU越大，說明檢測框的效果越好，通常認為IoU>0.75，檢測效果良好。

3.3 算法性能分析

為了量化本文基于YOLOv5s算法的實時監(jiān)測風機狀態(tài)模型的性能表現(xiàn)，本文將YOLOv5s、Yolov4檢測算法在實時監(jiān)測風機狀態(tài)任務上的性能進行比較，2個算法在同一個風機葉片數(shù)據(jù)集中的檢測性能比較結果見表1。

由表1可以看出，在同一個風機葉片數(shù)據(jù)集上進行訓練和測試，本文使用的YOLOv5s的精度為90.2%、召回率為93.4%、Map@0.5：0.95為65.3%，3個指標均高于YOLOv4檢測算法。

3.4 結果展示

針對基于YOLOv5s算法的實時監(jiān)測風機狀態(tài)模型訓練結果如6所示。在葉片折斷、葉片表面受損兩種情況下，交并比（IoU）均在0.80以上，檢測效果良好，滿足未來實際應用需求。

4 結束語

本文基于YOLOv5s提出了對風機葉片的實時監(jiān)測模型，對目標檢測網絡架構中的基準網絡、Neck網絡進行改進，提高了目標識別的有效性，同時提高了數(shù)據(jù)的訓練速度以及魯棒性，在實現(xiàn)對風機葉片快速檢測的同時，兼顧了較高的準確率，對于風機葉片的實時監(jiān)測具有重要的現(xiàn)實意義。

參考文獻：

[1] 劉曉波，林家國，王依.基于小波包分析的風機葉片裂紋故障識別研究[J].機床與液壓，2007，35（9）：241-243，245.

[2] 賀斌，賈建華，趙峰，等.無人機在風機葉片檢測中的應用[J].電工技術，2019（13）：64-65.

[3] 池昊，彭成，賀婧，等.基于SCADA數(shù)據(jù)的風機葉片結冰短期預測方法[J].信息與電腦（理論版），2019（4）：61-65.

[4] 李寧波，閆濤，李乃鵬，等.基于SCADA數(shù)據(jù)的風機葉片結冰檢測方法[J].發(fā)電技術，2018，39（1）：58-62.

[5] 劉娟，黃細霞，劉曉麗.基于棧式自編碼網絡的風機葉片結冰預測[J].計算機應用，2019，39（5）：1547-1550.

[6] 趙立明.風機葉片故障預測的振動方法研究[J].內蒙古科技與經濟，2018（2）：99.

[7] 張保欽，雷保珍，趙林惠，等.風機葉片故障預測的振動方法研究[J].電子測量與儀器學報，2014，28（3）：285-291.

[8] 彭麟.基于無人機獲取圖像的風機葉片表面故障的檢測與分析[D].上海：上海電機學院，2019.

[9] 于婷.一種基于深度學習的動車掃石器丟失故障圖像識別方法：CN112183323A[P].2021-01-05.

[10] 顧曉東，唐丹宏，黃曉華.基于深度學習的電網巡檢圖像缺陷檢測與識別[J].電力系統(tǒng)保護與控制，2021，49（5）：91-97.

【通聯(lián)編輯：唐一東】