A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Detecting Surface Defects of Wind Tubine Blades Using an Alexnet Deep Learning Algorithm
Abra o Access
Detecção de defeitos superficiais de pás de turbinas eólicas usando um algoritmo Alexnet Deep Learning

Xiao-Yi ZHAO, Chao-Yi DONG, Peng ZHOU, Mei-Jia ZHU, Jing-Wen REN, Xiao-Yan CHEN

  • Exibições de texto completo

    127

  • Cite isto
  • Free PDF (3.2MB)

Resumo:

O artigo empregou um Alexnet, que é uma estrutura de aprendizado profundo, para diagnosticar automaticamente os danos nas superfícies das pás dos geradores de energia eólica. As imagens originais das superfícies das pás dos geradores de energia eólica foram capturadas por visões de máquina de um UAV (veículo aéreo não tripulado) de 4 rotores. Primeiramente, uma Alexnet de 8 camadas, incluindo totalmente 21 subcamadas funcionais, é construída e parametrizada. Em segundo lugar, o Alexnet foi treinado com 10000 imagens e depois testado com 6 imagens em 350 voltas. Por fim, a estatística dos testes de rede mostra que a precisão média do diagnóstico de danos pelo Alexnet é de cerca de 99.001%. Também treinamos e testamos uma rede neural tradicional BP (Back Propagation), que possui camada de entrada de 20 neurônios, camada oculta de 5 neurônios e camada de saída de 1 neurônio, com os mesmos dados de imagem. A precisão média do diagnóstico de danos da rede neural BP é 19.424% menor que a do Alexnet. O ponto mostra que é viável aplicar a aquisição de imagens UAV e o classificador de aprendizagem profunda para diagnosticar automaticamente os danos às pás das turbinas eólicas em serviço.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E102-A No.12 pp.1817-1824
Data de publicação
2019/12/01
Publicitada
ISSN online
1745-1337
DOI
10.1587/transfun.E102.A.1817
Tipo de Manuscrito
Special Section PAPER (Special Section on Smart Multimedia & Communication Systems)
Categoria
Machine Learning

autores

Xiao-Yi ZHAO
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Chao-Yi DONG
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Peng ZHOU
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Mei-Jia ZHU
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Jing-Wen REN
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Xiao-Yan CHEN
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control

Palavra-chave