文献类型：期刊文献

中文题名：基于迁移学习的风力发电机叶片裂缝识别

英文题名：Wind turbine blade crack identification based on migration learning

作者：刘艳霞[1];丁小燕[2];方建军[1]

第一作者：刘艳霞

机构：[1]北京联合大学城市轨道交通与物流学院,北京100101;[2]河北省科学院地理科学研究所地理信息开发应用研究中心,河北石家庄050000

第一机构：北京联合大学城市轨道交通与物流学院

年份：2019

卷号：0

期号：8

起止页码：107-110

中文期刊名：传感器与微系统

外文期刊名：Transducer and Microsystem Technologies

收录：CSTPCD;;CSCD:【CSCD_E2019_2020】；

基金：国家自然科学基金资助项目(61602041);北京联合大学人才强校优选计划项目(BPHR2017CZ07)

语种：中文

中文关键词：迁移学习;超限学习机;神经网络;深度学习;风机叶片

外文关键词：migration learning;extreme learning machine(ELM);neural network;deep learning;wind turbine blade

摘要：采用基于Inception v3模型的迁移学习方法对风机叶片裂缝进行自动检测,分别设计了基于反向传播(BP)神经网络和超限学习机(ELM)的全连接层实现叶片状态分类。实验结果表明:迁移学习方法的收敛速度和网络精度均优于Faster R-CNN和Yolo v3深度学习算法。对于结构相对简单的全连接层,用ELM超限学习机可取得与BP神经网络相近的性能指标(准确率89. 3%,召回率91. 5%,F1值0. 819),但训练速度可提高上千倍,适用于对实时性要求较高的应用场景。
The migration learning method based on inception v3 model is used to automatically detect the cracks in wind turbine blades.The full-connection layer based on BP neural network and extreme learning machine(ELM)is designed to realize the blade state classification.The experimental results show that the convergence speed and network accuracy of the migration learning method are better than the Faster R-CNN and Yolo v3 deep learning algorithms.Moreover,for the fully connected layer with relatively simple structure,the performance similar to BP neural network can be obtained by ELM extreme learning machine(accuracy rate 89.3%,recall rate91.5%,F1 value 0.819),but the training speed can be improved thousands of times.This is suitable for application scenarios with high real-time requirements.