基于YOLOv3的風機葉片故障檢測模型

朱玉廷 汪怡然 馬錦雄 謝鵬 陸鵬 湯占軍 山子岐

DOI：10.20030/j.cnki.1000?3932.202403017

摘 要 針對風機工作中由于高海拔地理位置、惡劣天氣等因素的影響，致使風機葉片出現(xiàn)裂紋、沙眼等缺陷故障，提出基于YOLOv3算法的風機葉片故障檢測模型。將風機葉片缺陷區(qū)域具有YOLO格式的數(shù)據(jù)集劃分為訓練集與測試集，輸入YOLOv3模型進行實驗，結(jié)果表明：YOLOv3模型與YOLOv2模型相比，精度提升3.7%，達到了90.6%;召回率提升3.2%，達到了90.5%;精度平均值提升4.8%，達到了76.2%。

關鍵詞 YOLOv3算法 故障檢測 風機葉片 數(shù)據(jù)集 精度平均值

中圖分類號 TP391?? 文獻標志碼 A?? 文章編號 1000?3932（2024）03?0487?08

基金項目：國家能源集團科技創(chuàng)新項目（批準號：CSIEKJ230700101）資助的課題。

作者簡介：朱玉廷（1997-），碩士研究生，從事新能源風力發(fā)電的研究。

通訊作者：湯占軍（1969-），高級工程師，從事新能源風力發(fā)電、智能控制技術的研究，tzj504@163.com。

引用本文：朱玉廷，汪怡然，馬錦雄，等.基于YOLOv3的風機葉片故障檢測模型[J].化工自動化及儀表，2024，51（3）：487-494.

在“雙碳”背景下，我國新能源風力發(fā)電行業(yè)得到快速發(fā)展，風電規(guī)模也在擴大。但風力發(fā)電機組生產(chǎn)過程環(huán)境惡劣，急劇變化的溫度、狂風暴雨夾帶的泥沙等不可控因素，會造成風機葉片損傷甚至引發(fā)生產(chǎn)事故。因此，及時發(fā)現(xiàn)并解決風機葉片的缺陷故障是非常有研究價值的。針對風機葉片的檢測方法目前有兩種：第1種是傳統(tǒng)人工檢測方法，大多是工人進行高空作業(yè)，對葉片進行檢測，不僅危險而且檢測效率低，對于風機葉片故障的大規(guī)模檢測來說很難實現(xiàn);第2種是基于深度學習的目標檢測算法，不僅檢測速度快而且識別準確率較高，從結(jié)構上可分為一步式檢測算法和二步式檢測算法。單階段檢測算法不用生成區(qū)域候選框，并用區(qū)域回歸方式進行特征提取，速度快而且精度高;二階段目標檢測需要先生成一系列候選框，再通過分類網(wǎng)絡對故障進行分類。

風機葉片故障檢測的核心步驟是先確定缺陷故障目標再進行識別和特征提取，之后將特征進行分類，最后確定最佳目標范圍。相對于人工故障檢測，神經(jīng)網(wǎng)絡具有特征提取能力強、泛化性能好等特性，在圖像識別方面得到了高速的發(fā)展。在神經(jīng)網(wǎng)絡廣泛應用于計算機視覺目標檢測的浪潮下，學者們進行了一些相關研究，并在實驗性能上都取得了一定提升。文獻[1]應用紅外熱成像檢測和可見光視覺檢測，合并了無人機巡檢技術與計算機視覺檢測，使工作人員的安全得到了很大程度的保障，也解決了利用望遠鏡檢測視野受限的問題，但受光線強度的影響較大，并且溫度也不恒定，會出現(xiàn)準確率不高的問題。文獻[2]通過DWT、EMD將信號降噪分解為若干分量，提取各分量的頻域特征，構造時域、頻域原始特征集并輸入Xgblr模型進行特征轉(zhuǎn)換，將Focal損失函數(shù)應用于Xgblr進行不平衡數(shù)據(jù)集的故障診斷，但用各頻域分量進行時域原始特征構造時，可能造成數(shù)據(jù)丟失。文獻[3]在BiGRU對時間序列有較好敏感性的基礎上，變量之間的關聯(lián)特征使用CNN自適應方式學習，但其速度不快、效率也不高。文獻[4]利用傳感器等對風機進行聲信號采集，并進行濾波處理，但沒有對葉片存在的缺陷進行檢測定位。文獻[5]通過深入分析葉片健康狀態(tài)與SCADA數(shù)據(jù)間的關系，結(jié)合SCADA數(shù)據(jù)的時序特性，實現(xiàn)了風電機組葉片的高精度分類診斷，但對于形狀小或模糊故障檢測的準確性不高。文獻[6]利用Findcontour算子對葉片缺陷區(qū)域進行輪廓提取，根據(jù)缺陷面積和長短徑之比對缺陷進行分類，但對較小的缺陷檢測要求較高，效果并不理想。文獻[7]采用無人機采集風力機葉片表面損傷圖片和視頻，借助機器視覺結(jié)合深度學習領域的算法對風機葉片表面損傷圖片進行處理，對圖片自動精確分類。文獻[8]利用EfficientDet算法對風機葉片表面缺陷進行檢測，減少了向下采樣的次數(shù)并調(diào)整了有效特征層，但對于缺陷種類沒有精確說明。文獻[9]采用改進SSD算法對風機葉片進行故障檢測，用兩種殘差網(wǎng)絡（ResNet，ResNext）進行特征提取，但沒有對特征進行融合。文獻[10]在機器視覺知識的基礎上，為獲得缺陷區(qū)域，利用雙閾值OTSU大津法對圖像分割增強，也進行邊緣檢測，但速度慢、精度也不高。文獻[11]選擇ResNet?18卷積神經(jīng)網(wǎng)絡作為基礎網(wǎng)絡，在MATLAB的基礎上建立檢測模型，但沒有定位缺陷位置，而且對小缺陷的檢測也有待改善。文獻[12]從記錄的信號中提取直方圖特征，并用元分類器對其進行了分類。文獻[13]介紹了現(xiàn)代風力渦輪機葉片主要由玻璃纖維和碳纖維增強塑料制成，但未對存在的缺陷進行檢測。文獻[14]從振動數(shù)據(jù)中提取直方圖特征，使用機器學習算法hyperpipes（HP）和投票特征區(qū)間（VFI）進行了研究，但未進行缺陷定位。

針對上述文獻所提方法存在的檢測速度慢、檢測效率低、算法參數(shù)量大等缺陷，筆者基于YOLOv3算法設計可快速識別、檢測風機葉片表面缺陷的模型，并與YOLOv2模型進行對比，以期提高相關指標，提升風機葉片缺陷檢測的速度與精度。

1 常見故障及數(shù)據(jù)預處理

1.1 風機葉片故障類型

由于造成風機葉片受損的原因不同，而且損壞程度也不相同，因此將其故障類型主要分為葉片裂紋、葉片沙眼腐蝕、葉片結(jié)冰和其他類故障，如圖1所示。

風機葉片裂紋主要包括表面蒙皮上的橫向裂紋、豎向裂紋和葉片導流邊裂紋。形成的原因主要是溫度變化引起熱脹冷縮導致葉片開裂，以

及在運輸安裝過程中發(fā)生失誤所致的劃痕，都會演變成裂紋。

在運輸安裝過程中，風機葉片發(fā)生磕碰刮擦，在雨水、風沙的侵蝕下葉片表面蒙皮磨損、脫落就會出現(xiàn)沙眼;風機軸承中的潤滑油、液壓器中的液壓液，在風機長期運行中可能發(fā)生泄漏而腐蝕葉片;長期紫外線照射以及強風和雨水的高速撞擊導致葉片前緣破損，這些都容易形成腐蝕缺陷。

當環(huán)境氣溫過低且環(huán)境濕度足夠大時，風機葉片表面附著的水滴水霧就會結(jié)冰，從而影響風機的正常運行。

對于其他類故障，由于風機分布廣泛，所處環(huán)境不同，葉片發(fā)生的故障也有所不同，如建設于沿海地區(qū)的風電場，海風較大而且空氣濕度很大，風機葉片更容易受到鹽霧破壞，在長期運行后蒙皮會出現(xiàn)鼓泡、破裂等現(xiàn)象。

如果風機葉片上已經(jīng)有了缺陷故障，并且這些故障未被發(fā)現(xiàn)未被解決，隨著時間的推移會越發(fā)嚴重，惡化到一定的程度就會導致風機主軸受力失衡進而釀成生產(chǎn)事故，還可能威脅到周圍人類或者動物的生命安全。因此，及時發(fā)現(xiàn)并解決風機葉片故障，對于生產(chǎn)運營以及減小經(jīng)濟損失都至關重要。

1.2 數(shù)據(jù)預處理

本研究針對風機葉片故障檢測，實驗選用風力渦輪機表面損壞數(shù)據(jù)集，由2 996張圖像構成，進行YOLO格式標注，訓練集與測試集之比約7∶3，其中，訓練集2 096張圖像、測試集900張圖像。

2 YOLOv3的網(wǎng)絡結(jié)構設計

2.1 算法原理

YOLO系列算法是有別于其他算法的一種新的檢測算法，它不僅速度快而且準確率也很高。YOLO在單個神經(jīng)網(wǎng)絡中將目標預測和目標區(qū)域相結(jié)合，網(wǎng)絡輸入是一整張圖，目標類別和位置信息在輸出層得到回歸。YOLOv3使用單個網(wǎng)絡結(jié)構預測出物體類別和位置，一步完成檢測過程。此外，與Faster R?CNN相比，YOLOv3產(chǎn)生的預測框數(shù)目較少，F(xiàn)aster R?CNN中的每個真實框可能對應多個標簽為正的候選框，而YOLOv3的每個真實框只由一個候選框?qū)?。這些特性都凸顯了YOLOv3算法的快速性和檢測的準確性。

YOLOv3使用了一個基于卷積神經(jīng)網(wǎng)絡（CNN）的全卷積網(wǎng)絡結(jié)構。輸入圖像將被分成S×S個網(wǎng)格單元（Grid Cell），每個網(wǎng)格單元負責檢測該單元內(nèi)的物體，其框架結(jié)構如圖2所示，其中，DBL是卷積、BN及Leaky ReLU 3層疊加組合，是DarkNet的基本單元，其后的數(shù)字是DBL模塊的數(shù)目;res為殘差模塊，其后的數(shù)字是串聯(lián)的殘差模塊數(shù)目。DarkNet?53借鑒了ResNet的殘差設計，大量運用殘差連接，因此網(wǎng)絡結(jié)構具有很好的深度，使訓練中梯度消失問題得到緩解的同時也讓模型變得收斂。

YOLO以前的網(wǎng)絡最大池化層數(shù)量是5，目的是將特征圖縮小，下采樣率為32。而DarkNet?53將特征圖縮小是通過步長為2的卷積核實現(xiàn)的，同樣是5次下采樣，總體下采樣率為32。在YOLOv3算法網(wǎng)絡結(jié)構中，使用錨框（Anchor Boxes）來提高邊界框的多樣性。錨框是預定義的一組邊界框，通過在不同尺度和長寬比的錨框上進行預測，使對不同形狀大小的物體的檢測能力得以提高。

使用卷積神經(jīng)網(wǎng)絡（CNN）進行特征提取。YOLOv3的主干網(wǎng)絡是DarkNet?53，卷積層數(shù)量是53，目的是對圖像進行特征提取。利用卷積和上采樣對不同尺度的特征圖進行特征融合，以便檢測不同尺寸的物體。對于重疊的邊界框，使用非極大值抑制（NMS）來消除，置信度分數(shù)最高的邊界框作為最后的檢測框?？偟膩碚f，YOLOv3算法在將圖像劃分為網(wǎng)格的同時，也在每個網(wǎng)格單元中預測邊界框和故障類別，實現(xiàn)了目標檢測。通過使用錨框和特征融合，YOLOv3具有較好的目標檢測精度和多樣性。

2.2 缺陷檢測流程

本研究使用的YOLOv3算法模型的目標檢測流程如下：

a. 輸入圖像。將待檢測圖像作為輸入傳入YOLOv3算法。

b. 特征提取。通過卷積神經(jīng)網(wǎng)絡（DarkNet?53）對輸入圖像進行特征提取，這一步驟將輸入圖像映射到一系列特征圖上，這些特征圖包含了不同尺度的特征信息。

c. 生成錨框。對于每個特征圖的網(wǎng)格單元，使用錨框來預測物體的坐標和大小。

d. 類別預測。對每個錨框預測的目標用分類器進行分類，一般采用80個常見類別的類別標簽。

e. 置信度分數(shù)計算。通過預測框的坐標、大小和類別，將每個預測框的置信度分數(shù)計算出來，用于判斷檢測結(jié)果的可靠性。

f. 邊界框調(diào)整。根據(jù)網(wǎng)絡輸出調(diào)整預測框的坐標和大小，得到更精確的物體邊界框。

g. 非極大值抑制。為了消除檢測結(jié)果中多余的部分，使用非極大值抑制（NMS）算法篩選出最佳的預測框，NMS通過保留圖像中最顯著的特征點來減少圖像中的冗余信息和誤差，原理是通過在一個局部窗口內(nèi)尋找最大像素值，當檢測到一個特征點時，該點周圍的像素值將與該點的像素值進行比較，如果該點的像素值是該窗口內(nèi)的最大值則保留該點，如果該點的像素值不是最大值則該點被抑制。算法基于預測框之間的重疊程度和置信度分數(shù)進行篩選，從而保留最準確的檢測結(jié)果。

h. 輸出結(jié)果。YOLOv3會輸出檢測到的物體的類別、位置和置信度。

整個目標檢測流程是一串連續(xù)的計算步驟，通過特征提取、錨框生成、類別預測及邊界框調(diào)整等過程來實現(xiàn)物體的定位和分類。檢測流程如圖3所示。

2.3 DarkNet?53網(wǎng)絡

DarkNet?53是YOLOv3算法中采用的基礎網(wǎng)絡，目的是從圖像中進行特征提取，是一個擁有深度卷積的神經(jīng)網(wǎng)絡，由53個卷積層組成。DarkNet?53的設計目標是提供更強大的特征表示能力，以便更好地檢測不同尺寸和形狀的物體。YOLOv3中的DarkNet?53網(wǎng)絡結(jié)構較深，卷積層數(shù)量也較大，致使圖像中的細節(jié)和語義信息能被很好地捕捉。DarkNet?53網(wǎng)絡具有很多卷積層、批量歸一化層和激活函數(shù)層，使用了殘差連接（Residual Connections）和跳躍連接（Skip Connections）來促進信息的流動和特征的傳遞。DarkNet?53使用大量的1×1卷積層來控制特征的維度和通道數(shù)，而且具有更強的特征提取能力和更好的感受野（Receptive Field），可以在圖像中提取具有更高語義信息的特征。這些特征將被用于檢測不同尺寸、形狀和類別的物體。DarkNet?53的網(wǎng)絡結(jié)構如圖4所示。

2.4 多尺度預測

由網(wǎng)絡結(jié)構表明，3個不同尺寸的特征圖位于YOLOv3輸出端，從下往上依次是淺層、中層和深層。尺寸大和感受野小是淺層的特點，有利于小尺寸物體的檢測;深層則相反，便于檢測大尺度物體。由于不再是一個特征圖，因此匹配方法將會被對應改變。進行的操作是：使用聚類算法得到9種不同的先驗框，接著按照表1分布情況進行先驗框的分配，使每個特征圖上的點有3個先驗框，利用這3種尺度的特征層進行邊框的預測。對保留的預測框進行非極大值抑制處理，濾掉得分低的預測框，就得到最終的檢測結(jié)果。

為了調(diào)整圖像中的不同坐標不同尺寸，在每個網(wǎng)格單元（Grid Cell）預先設定一組不同尺寸邊框，每種尺度預測3個邊框，錨框的設計方式仍然使用聚類得到9個聚類中心，將其按照大小均分給3個尺度，利用這3個尺度的特征層進行邊框預測。

2.5 Logistic函數(shù)

為了處理類別的預測得分，YOLOv3算法中使用Logistic函數(shù)，而不是繼續(xù)使用Softmax函數(shù)。因為Logistic分類器互不影響、相互獨立，能夠?qū)崿F(xiàn)多類別的預測，而Softmax函數(shù)的多個類別預測之間有負向抑制作用，并且只能預測出一個類別。在實驗中發(fā)現(xiàn)，使用Logistic分類器取代Softmax函數(shù)，實驗的準確率不但不會下降，還可以實現(xiàn)多標簽物體的分類。

2.6 YOLO Head檢測頭

對于特征提取預測，SSD是從淺到深地進行分別預測，并沒有在深淺層次上進行融合。而YOLOv3算法進行了深淺層特征的融合，使提取的特征更具代表性，而且圖像中的每個網(wǎng)絡單元有3個錨框，因此一共需要3×（80+5）=255個（即每一個特征圖的預測通道數(shù)）。當輸入模型為416×416，則會輸出10 647個預測框，每個輸出框根據(jù)訓練集中的真實框為每個預測框打上標簽（正例：與真實框的IoU最大;負例：IoU小于閾值0.5;忽略：預測有物體的框但其IoU并非最大，在非極大抑制中被舍去），再使用損失函數(shù)進行優(yōu)化，更新網(wǎng)絡參數(shù)。

IoU為交并比數(shù)值，取值在0～1之間，是真實框（ground truth bBox）和預測框（pre?dict bBox）兩個矩形檢測框的交集面積與兩個框面積之和的比值，一般認為IoU數(shù)值大于0.75表示檢測效果良好，越接近于1，說明檢測效果越好。

YOLOv3的主要改進點包括以下幾個方面：

a. 更深的網(wǎng)絡結(jié)構。YOLOv3采用了DarkNet?53，與YOLOv2的DarkNet?19相比，DarkNet?53有更多的卷積層和更大的網(wǎng)絡深度，可以提取更多的特征信息。

b. YOLOv3采用了多尺度檢測策略，可以檢測不同尺度的目標。具體來說，YOLOv3將輸入圖像分別縮放成不同大小的尺度，然后在不同尺度上進行檢測，可以提高對小目標的檢測能力。

c. FPN特征金字塔。YOLOv3采用了FPN（Feature Pyramid Network）策略，將不同尺度的特征圖結(jié)合起來進行檢測。FPN可以提高對不同尺度目標的檢測能力，并降低誤檢率。

d. YOLOv3使用錨框來預測目標框的位置，將目標框的位置預測轉(zhuǎn)換為相對于錨框的偏移量，錨框可以適應不同尺寸和比例的目標，并提高檢測精度。

e. 多個輸出層。YOLOv3使用3個輸出層來預測不同尺寸的目標，每個輸出層負責預測一組錨框的位置和類別。這種多個輸出層的設計可以進一步提高檢測精度。

f. YOLOv3使用多個IoU閾值來判斷目標是否被正確檢測。通過調(diào)整IoU閾值，可以在精度和召回率之間進行權衡。

3 實驗分析與結(jié)果

3.1 實驗設置

本實驗環(huán)境參數(shù)為：操作系統(tǒng)Windows 11 ，64位，運行內(nèi)存16.0 GB，CPU型號Intel（R）Core（TM）i7?10750H CPU @ 2.60 GHz 2.59 GHz，選用Pych?arm2021.2.4作為深度學習的框架。

3.2 實驗指標

實驗選取的評價指標主要有3個參數(shù)：

a. 精度（Precision），指正確預測結(jié)果數(shù)占所有預測為正樣本的百分比;

b. 召回率（Recall），指預測正確結(jié)果數(shù)占真實結(jié)果總數(shù)的百分比;

c. 精度平均值（mAP），指所有數(shù)據(jù)的所有種類的精度的平均值。

設TP為將正類預測為正類的數(shù)目;FP指將負類預測為正類的數(shù)目;FN指將正類預測為負類的數(shù)目;AP指單類別精度均值。

評價指標Precision、Recall、mAP的計算式為：

Precision=×100 %

Recall=×100 %

mAP=

3.3 實驗性能分析

針對風機葉片缺陷故障的檢測，提出基于YOLOv3算法的檢測模型，在同一份數(shù)據(jù)集的基礎上把YOLOv2算法模型作為對比進行實驗，兩者性能指標見表2?？梢钥闯?，YOLOv3算法的精度、召回率和精度平均值均高于YOLOv2算法模型。在風機葉片故障檢測上，本檢測模型的實驗性能以及檢測效果有了明顯的提升。

3.4 實驗效果

針對風機葉片故障缺陷的檢測，基于YOLOv3算法檢測模型的檢測結(jié)果如圖5所示，可以看出，針對葉片的裂紋、腐蝕及沙眼等故障，YOLOv3模型的檢測精度高，IoU均在0.8以上，檢測效果良好，能夠滿足實際生產(chǎn)中的風機故障檢測需求。

4 結(jié)束語

筆者提出基于YOLOv3算法的風機葉片故障缺陷檢測模型，不僅進行了類別預測優(yōu)化，還使用Logistic函數(shù)代替Softmax函數(shù)，使得模型更適應類別標簽重疊的數(shù)據(jù)集;加入了多尺度融合，類似FPN由深到淺（從小分辨率到大分辨率）地進行特征融合，YOLOv3放棄了逐個元素相加，選擇按通道拼接;在DarkNet?53網(wǎng)絡中，使用了殘差連接，使得檢測精度有了很大程度的提升。實驗結(jié)果證實所提模型對風力發(fā)電機組葉片故障檢測具有重要的現(xiàn)實意義和參考意義。

參 考 文 獻

[1] 何赟澤，李響，王洪金，等.基于可見光和熱成像的風機葉片全周期無損檢測綜述[J].機械工程學報，2023，59（6）：32-45.

[2] 黃子恒，許釗源，伍劍波，等.基于優(yōu)化模態(tài)分解和Xgblr的風機葉片故障診斷方法[J].機械設計，2022，39（7）：56-62.

[3] 王永平，張蕾，張曉琳，等.基于CNN?BiGRU的風機葉片故障診斷[J].內(nèi)蒙古科技大學學報，2022，41（2）：173-179.

[4] 劉冰，陳堃，鄒超，等.基于MFCC聲音特征信號提取的風機葉片故障診斷[J].設備管理與維修，2022（12）：148-149.

[5] 鄭正.基于時序數(shù)據(jù)特征挖掘的風機葉片故障診斷方法研究[D].秦皇島：燕山大學，2021.

[6] 陳昕卓.基于無人機的風機葉片缺陷檢測與定位系統(tǒng)[D].內(nèi)蒙古：內(nèi)蒙古科技大學，2022.

[7] 任其科.基于圖像識別的風力機葉片表面損傷分析研究[D].內(nèi)蒙古：內(nèi)蒙古科技大學，2022.

[8] 辛彥，吳國新，左云波.基于EfficientDet的風機葉片缺陷檢測方法[J].電子測量技術，2022，45（5）：124-131.

[9] 朱佳偉，文傳博.基于改進SSD的風機葉片缺陷檢測[J].復合材料科學與工程，2022（3）：38-44.

[10] 曹慶才，吳立東，張路娜，等.基于機器視覺的風機葉片缺陷檢測[J].電工技術，2021（22）：74-76.

[11] ZHANG H F，WANG F.Fault identification of fan bla? de based on improved ResNet?18[J].Journal of Physics：Conference Series，2022（1）：2221-2233.

[12] JOSHUVA A，SUGUMARAN V， Selection of a meta c?lassifier?data model for classifying wind turbine blade fault conditions using histogram features and vibration signals：A data?mining study[J].Progress in Industrial Ecology，An International Journal，2019，13（3）：33-50.

[13] ANONYMOUS F.Radar Scanner Tests Wind Turbine B?lades for Defects[J].NASA Tech Briefs，2018，42（2）：28-29.

[14] JOSHUVA A，SUGUMARAN V.Classification of Various Wind Turbine Blade Faults through Vibration Signals Using Hyperpipes and Voting Feature Intervals Algorithm[J].International Journal of Performability Engineering，2017，13（3）：1999-2014.

（收稿日期：2023-07-10，修回日期：2023-08-18）

A Fault Detection Model for Fan Blades Based on YOLOv3

ZHU Yu?ting1， WANG Yi?ran1， MA Jin?xiong2， XIE Peng2， LU Peng2，

TANG Zhan?jun1， SHAN Zi?qi1

（1.Faculty of Information Engineering and Automation， Kunming University of Science and Technology;

2.Yunnan Longyuan New Energy Co.， Ltd.）

Abstract?? Considering the fact that high?altitude location， bad weather and other factors will trouble fan blades and cause defects like cracks and trachoma， a YOLOv3 algorithm?based fault detection model was proposed which has the data set with YOLO format in fan blades defect region divided into a training set and a test set， and the has the YOLOv3 model input to the experiment. The results show that， compared with the YOLOv2 model， the accuracy of the YOLOv3 model can be improved by 3.7% and reach 90.6%; the recall rate increased by 3.2% to 90.5% and the average accuracy improved by 4.8% and reach 76.2%.

Key words?? YOLOv3 algorithm， failure detection， fan blade， data set， average accuracy

Abstract?? Aiming at high cost and weak collaboration of devices in the existing lighting system， the intelligent optimization algorithm was adopted for intelligent control of substation lighting facilities. In which， basing on working conditions of the substation， intelligent inspection system and? requirements for monitoring supplementary lighting， the lighting optimization target was determined and a measurement node set at the window can obtain the natural lighting conditions at different times of the day and under different weather conditions， and the illuminant value that needing to be supplemented by artificial light source was obtained， including having total illuminant of the lighting system taken as the index， an improved whale optimization algorithm adopted to solve the minimum energy consumption scheme so as to meet lighting requirements. Through changing convergence factor with the number of iterations to nonlinear decreasing， and introducing adaptive inertia weight factor and other strategies， the global search ability of the algorithm in the early stage and the local solution accuracy in the later stage were improved. Finally， simulation experiments were carried out to compare the proposed method with different algorithms. The experimental results show that， the proposed algorithm can effectively solve multi?device and multi?objective optimization problem of substation lighting， and it has high solution accuracy and fast convergence speed， effectively reduces energy consumption while meeting the needs of substation lighting and has high practical value.

Key words?? substation lighting system， intelligent substation， intelligent optimization， whale optimization algorithm， intelligent tour inspection

（Continued from Page 486）