买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨理工大学

摘要：本发明公开了一种基于深度学习的水轮机状态预测方法，所述方法包括：用果蝇优化算法Flyoptimizationalgorithm,FOA优化变分模态分解Variationalmodedecomposition,VMD的本征模态函数IntrinsicModeFunction,IMF个数K和惩罚因子，用短时傅里叶变换Short‑timeFouriertransform,STFT验证参数优化的准确性，用参数优化的VMD分解水轮机信号；用峭度准则重构水轮机信号，用连续小波变换Continuouswavelettransform,CWT把重构水轮机信号转换为二维特征频谱图，再通过直方图均衡化对二维特征频谱图进行特征增强，获得特征增强之后的频谱图；最后，对深度残差网络Deepresidualnetwork,ResNet的卷积模块、残差模块、激活函数进行改进以获得改进的深度残差网络，再把改进的深度残差网络和迁移学习Transferlearning,TL结合起来，得到水轮机状态预测模型。用从国内某大电机研究所的混流式水轮机采集的水轮机数据做实验，确定了本发明公开的一种基于深度学习的水轮机状态预测方法，预测性能较好。

主权项：1.基于深度学习的水轮机状态预测方法，包括以下步骤：1用果蝇优化算法Flyoptimizationalgorithm,FOA优化变分模态分解Variationalmodedecomposition,VMD的本征模态函数IntrinsicModeFunction,IMF个数K和惩罚因子，用短时傅里叶变换Short-timeFouriertransform,STFT验证参数优化的准确性，用参数优化的VMD分解水轮机信号；2用峭度准则重构水轮机信号，用连续小波变换Continuouswavelettransform,CWT把重构水轮机信号转换为二维特征频谱图，再通过直方图均衡化对二维特征频谱图进行特征增强，获得特征增强之后的频谱图；3最后，对深度残差网络Deepresidualnetwork,ResNet的卷积模块、残差模块、激活函数进行改进，再结合迁移学习Transferlearning,TL，得到水轮机状态预测模型。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于深度学习的水轮机状态预测方法