改进CNN的风力机叶片故障诊断方法

针对图像分辨率低的风力机叶片图像会导致故障诊断过程中精度和速度降低等问题,提出了一种基于小波变换、深度可分离卷积和卷积块注意力机制模块的轻量级改进VGG-19模型;使用DB4小波和基于形态学的增强技术来提高风力机叶片图像的质量,然后将VGG-19中的传统卷积层替换为深度可分离卷积层,以减少网络参数的数量并提高训练效率,最后引入卷积注意力机制模块（Convolutional Block Attention Module, CBAM）来提高风力机叶片故障诊断的准确性;研究结果表明：所提模型的准确率为93.91%,与其他传统卷积神经网络（Convolutional Neural Networks,CNN）模型LeNet、AlexNet、GoogleNet、ResNet-50和VGG-19相比分别提高了15.06%、8.57%、3.10%、-1.13%和7.13%;测试时间为每幅图像0.046秒,较传统CNN模型每幅图像分别减少了-0.004秒、-0.002秒、0.006秒、0.015秒和0.010秒的检测时间;该模型结构轻巧,相比于其他传统CNN具有更高的准确性和更快的检测速度。