本发明专利技术公开了一种水电机组轴心轨迹识别方法、装置及可存储介质，涉及水电机组技术领域，包括：模拟不同形状的水电机组轴心轨迹图像，构建水电机组轴心轨迹数据库；结合预训练模型和迁移学习方法建立诊断模型；根据水电机组轴心轨迹图像对预训练模型进行迁移学习；利用迁移学习后的诊断模型识别水电机组轴心轨迹。引入九种DCNN作为预训练模型，将预训练模型和迁移学习方法结合形成TENSORFLOW
【技术实现步骤摘要】
一种水电机组轴心轨迹识别方法、装置及可存储介质
[0001]本专利技术涉及水电机组
，更具体的说是涉及一种水电机组轴心轨迹识别方法、装置及可存储介质。
技术介绍
[0002]目前，水电作为再生能源重要组成部分，对推动能源绿色低碳转型、构建以再生能源为主体的能源结构具有重要意义。
[0003]但是，随着电站水头和容量的增大，水轮机的运行不稳定性也逐渐出现。剧烈振动导致机组发生故障的频率大幅提升，严重威胁到了电站人员的生命财产安全。
[0004]因此，及时准确识别出机组故障类型，对维护电站安全运行具有巨大的现实价值，是本领域技术人员亟需解决的问题。
技术实现思路
[0005]有鉴于此，本专利技术提供了一种水电机组轴心轨迹识别方法、装置及可存储介质，能够及时准确识别出机组故障类型，保证电站的安全运行，为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术将迁移学习方法和DCNN模型相结合，提出了一种迁移学习和DCNN相结合的水电机组轴心轨迹识别方法。首先，对机组轴心轨迹图像进行处理，使其满足预训练模型的输入条件。然后，为适应轴心轨迹图像的特性，替换掉预训练模型最后三层。最后，利用训练好的模型实现不同形状轴心轨迹识别工作。
[0007]一种水电机组轴心轨迹识别方法，包括：
[0008]模拟不同形状的水电机组轴心轨迹图像，构建水电机组轴心轨迹数据库；
[0009]结合预训练模型和迁移学习方法建立诊断模型；
[0010]根据水电机组轴心轨迹图像对预训练模型进行迁移学习；
[0011]利用迁移学习后的诊断模型识别水电机组轴心轨迹。
[0012]可选的，所述水电机组轴心轨迹图像由matlab根据公式
[0013][0014]进行模拟得到，式中：x(t)、y(t)表示X和Y方向的振动位移；ω是角频率；A1、A2、B1以及B2代表不同方向位移的幅度值；α1、α2、β1以及β2为不同方向位移的初始相位；z(t)是噪音信号。
[0015]可选的，所述预训练模型包括：DCNN中的Alexnet、Vgg16、Vgg19、Squeezenet、Googlenet、Densenet201、Resnet18、Resnet50和Xception中的一种。
[0016]可选的，所述建立诊断模型的具体步骤为：将预训练模型和迁移学习方法结合形成TENSORFLOW
‑
DCNN诊断模型，重新训练预训练模型最后三层结构。
[0017]可选的，所述根据水电机组轴心轨迹图像对预训练模型进行迁移学习的具体步骤
为：
[0018](1)对轴心轨迹加入不同信噪比的白噪音，构建染噪轴心轨迹图像数据集；
[0019](2)载入预训练模型，并根据轴心轨迹图像特性，更换预训练模型最后三层；
[0020](3)按照1：1的比例将染噪轴心轨迹图像数据集划分成训练集和测试集，并将训练集输入到诊断模型，进行训练；
[0021](4)将测试集图像输入到训练好的诊断模型中，并用诊断精度表示诊断模型的性能。
[0022]可选的，一种水电机组轴心轨迹识别装置，包括：
[0023]获取模块，用于模拟不同形状的水电机组轴心轨迹图像，构建水电机组轴心轨迹数据库；
[0024]构建模块，用于结合预训练模型和迁移学习方法建立诊断模型；
[0025]训练模块，用于根据水电机组轴心轨迹图像对预训练模型进行迁移学习；
[0026]识别模块，用于利用迁移学习后的诊断模型识别水电机组轴心轨迹。
[0027]可选的，所述计算机可读存储介质上存储计算机程序。
[0028]经由上述的技术方案可知，本专利技术公开了一种水电机组轴心轨迹识别方法、装置及可存储介质，与现有技术相比，具有如下优点：
[0029]1、引入Alexnet、Vgg16、Vgg19、Squeezenet、Googlenet、Densenet201、Resnet18、Resnet50以及Xception九种DCNN作为预训练模型，将预训练模型和迁移学习方法结合形成TENSORFLOW
‑
DCNN模型，通过保留DCNN模型大部分结构，只重新训练预训练模型最后三层结构的方法，实现了DCNN模型对高噪音、小样本轴心轨迹数据集的有效识别，有效解决水电机组小样本图像数据集诊断困难的问题。
[0030]2、通过分析了9种TENSORFLOW
‑
DCNN模型在不同噪音环境下轴心轨迹的识别情况，发现在无噪音环境下，9种TENSORFLOW
‑
DCNN模型经过充分训练都取得了98％以上的识别效果，说明本专利技术提出的迁移学习方法可以有效解决小样本数据诊断困难的问题。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0032]图1为本专利技术提供的一种水电机组轴心轨迹识别方法结构示意图；
[0033]图2(a)为不同TF
‑
DCNN模型识别率(无噪音)；
[0034]图2(b)为不同TF
‑
DCNN模型识别率(SNR＝
‑
5dB)；
[0035]图2(c)不同TF
‑
DCNN模型识别率(SNR＝
‑
10dB)；
[0036]图2(d)为不同TF
‑
DCNN模型识别率(SNR＝
‑
15dB)；
[0037]图2(e)为不同TF
‑
DCNN模型识别率(SNR＝
‑
20dB)；
[0038]图2(f)为不同TF
‑
DCNN模型识别率(SNR＝
‑
25dB)。
[0039]图3(a)为TF
‑
Resnet18准确率过程图(SNR＝
‑
20dB)；
[0040]图3(b)为TF
‑
Resnet50准确率过程图(SNR＝
‑
20dB)；
[0041]图3(c)为TF
‑
Densenet201准确率过程图(SNR＝
‑
20dB)；
[0042]图3(d)为TF
‑
Xception准确率过程图(SNR＝
‑
20dB)；
[0043]图3(e)为TF
‑
Resnet18准确率过程图(SNR＝
‑
25dB)；
[0044]图3(f)为TF
‑
Resnet50准确率过程图(SNR＝
‑
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种水电机组轴心轨迹识别方法，其特征在于，包括：模拟不同形状的水电机组轴心轨迹图像，构建水电机组轴心轨迹数据库；结合预训练模型和迁移学习方法建立诊断模型；根据水电机组轴心轨迹图像对预训练模型进行迁移学习；利用迁移学习后的诊断模型识别水电机组轴心轨迹。2.根据权利要求1所述的一种水电机组轴心轨迹识别方法，其特征在于，所述水电机组轴心轨迹图像由matlab根据公式进行模拟得到，式中：x(t)、y(t)表示X和Y方向的振动位移；ω是角频率；A1、A2、B1以及B2代表不同方向位移的幅度值；α1、α2、β1以及β2为不同方向位移的初始相位；z(t)是噪音信号。3.根据权利要求1所述的一种水电机组轴心轨迹识别方法，其特征在于，所述预训练模型包括：DCNN中的Alexnet、Vgg16、Vgg19、Squeezenet、Googlenet、Densenet201、Resnet18、Resnet50和Xception中的一种。4.根据权利要求1所述的一种水电机组轴心轨迹识别方法，其特征在于，所述建立诊断模型的具体步骤为：将预训练模型和迁移学习方法结合形成TENSORFLOW
...
【专利技术属性】
技术研发人员：王斌，陈飞，徐哲熙，陈帝伊，吴凤娇，江伟，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。