基于迁移学习和CNN-LSTM的水轮机空化状态识别方法
Cavitation State Recognition Method of Hydraulic TurbineBased on Transfer Learning and CNN-LSTM作者机构:长沙理工大学能源与动力工程学院长沙410114
出 版 物:《动力工程学报》 (Journal of Chinese Society of Power Engineering)
年 卷 期:2024年第44卷第10期
页 面:1533-1540页
核心收录:
学科分类:080703[工学-动力机械及工程] 080704[工学-流体机械及工程] 08[工学] 0807[工学-动力工程及工程热物理]
基 金:国家自然科学基金资助项目(52079011) 湖南省自然科学基金资助项目(2023JJ30032) 湖南省研究生科研创新资助项目(CX20220927)
主 题:水轮机空化 声发射信号 卷积神经网络 迁移学习 长短期记忆网络
摘 要:针对水轮机空化声发射信号中包含较多噪声、依赖人工降噪与特征提取以及深度学习模型准确率极度依赖海量训练数据的问题,提出一种基于迁移学习和卷积神经网络-长短时记忆网络(CNN-LSTM)的水轮机空化状态识别方法。首先,将数据输入CNN中提取隐含特征;然后,在LSTM中提取特征隐含的时序信息并输出空化类型,通过训练网络参数建立基于CNN-LSTM的空化状态识别模型;最后,引入迁移学习对类似工况进行空化状态识别。结果表明:该模型能准确识别出3种不同的水轮机空化类型,其平均识别准确率达到较高水平;与传统深度学习模型相比,该模型在极少样本学习任务中的识别准确率具有明显优势。