【技術實現步驟摘要】
本專利技術涉及深度學習的，尤其涉及一種振幅處理網絡的訓練及其振幅處理方法、設備及存儲介質。
技術介紹
1、抽水蓄能電廠是一個復雜的自動化智能運行系統，該系統擁有水輪抽水蓄能機、抽水蓄能機組等多個核心裝置，抽水蓄能機組擁有上機架、下機架、水導頂蓋、推力軸承等多種重要設備，這些設備在正常運行過程中，會產生一定變化規律的振動幅度。
2、在抽水蓄能電廠運行過程中，不同時刻擁有不同的復雜工況，為保障抽水蓄能機組的保持穩定安全運行狀態，目前會使用閾值法、seq2seq(序列到序列)等方式對上機架、下機架、水導頂蓋、推力軸承等設備的振幅進行多方面的監控，制定并迅速啟動相應的安全防措施，保障抽水蓄能機組的安全運行，避免突發事故發生。
3、其中，閾值法是指當振動幅度超過某個閾值時，便觸發告警信號或故障信號。但是，閾值是固定的，如果閾值的范圍過窄，容易產生誤報，閾值的范圍過寬，靈敏性較低，導致閾值法的效率較低。
4、seq2seq通常是基于rnn(recurrentneuralnetwork，循環神經網絡)的時序序列模型，將編碼器和解碼器進行串行連接，提取的特征信息量降低，導致時序序列模型的魯棒性較低。
技術實現思路
1、有鑒于此，本專利技術提供了一種振幅處理網絡的訓練及其振幅處理方法、設備及存儲介質，用以提高監控抽水蓄能機組的振幅的效率與魯棒性。
2、本專利技術的第一方面提供了一種振幅處理網絡的訓練方法，包括：
3、在多個時刻上對抽水蓄能機
4、將各個時刻的所述原始振幅數據分別輸入所述第一編碼器中編碼第一原始振幅特征；
5、將多個時刻的所述原始振幅數據同時輸入所述第二編碼器中編碼第二原始振幅特征；
6、將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征；
7、將所述融合振幅特征輸入所述解碼器中解碼為目標振幅特征；
8、將所述目標振幅特征輸入所述多任務處理模塊生成多個振幅任務信息；
9、依據多個所述振幅任務信息生成總損失值；
10、依據所述總損失值對所述振幅處理網絡進行更新。
11、本專利技術的第二方面提供了一種振幅處理方法，包括：
12、在多個時刻上對抽水蓄能機組采集到原始振幅數據時，加載如上述第一方面所述的方法訓練的振幅處理網絡；所述振幅處理網絡包括第一編碼器、第二編碼器、特征交互模塊、解碼器與多任務處理模塊；
13、將各個時刻的所述原始振幅數據分別輸入所述第一編碼器中編碼第一原始振幅特征；
14、將多個時刻的所述原始振幅數據同時輸入所述第二編碼器中編碼第二原始振幅特征；
15、將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征；
16、將所述融合振幅特征輸入所述解碼器中解碼為目標振幅特征；
17、將所述目標振幅特征輸入所述多任務處理模塊生成多個振幅任務信息。
18、本專利技術的第三方面提供了一種振幅處理網絡的訓練裝置，包括：
19、振幅處理網絡加載模塊，用于在多個時刻上對抽水蓄能機組采集到原始振幅數據時，加載振幅處理網絡；所述振幅處理網絡包括第一編碼器、第二編碼器、特征交互模塊、解碼器與多任務處理模塊；
20、第一原始振幅特征編碼模塊，用于將各個時刻的所述原始振幅數據分別輸入所述第一編碼器中編碼第一原始振幅特征；
21、第二原始振幅特征編碼模塊，用于將多個時刻的所述原始振幅數據同時輸入所述第二編碼器中編碼第二原始振幅特征；
22、融合振幅特征交互模塊，用于將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征；
23、目標振幅特征解碼模塊，用于將所述融合振幅特征輸入所述解碼器中解碼為目標振幅特征；
24、振幅任務信息生成模塊，用于將所述目標振幅特征輸入所述多任務處理模塊生成多個振幅任務信息；
25、總損失值生成模塊，用于依據多個所述振幅任務信息生成總損失值；
26、振幅處理網絡更新模塊，用于依據所述總損失值對所述振幅處理網絡進行更新。
27、本專利技術的第四方面提供了一種振幅處理裝置，包括：
28、振幅處理網絡加載模塊，用于在多個時刻上對抽水蓄能機組采集到原始振幅數據時，加載如上述第一方面所述的方法訓練的振幅處理網絡；所述振幅處理網絡包括第一編碼器、第二編碼器、特征交互模塊、解碼器與多任務處理模塊；
29、第一原始振幅特征編碼模塊，用于將各個時刻的所述原始振幅數據分別輸入所述第一編碼器中編碼第一原始振幅特征；
30、第二原始振幅特征編碼模塊，用于將多個時刻的所述原始振幅數據同時輸入所述第二編碼器中編碼第二原始振幅特征；
31、融合振幅特征交互模塊，用于將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征；
32、目標振幅特征解碼模塊，用于將所述融合振幅特征輸入所述解碼器中解碼為目標振幅特征；
33、振幅任務信息生成模塊，用于將所述目標振幅特征輸入所述多任務處理模塊生成多個振幅任務信息。
34、本專利技術的第五方面提供了一種電子設備，所述電子設備包括：
35、至少一個處理器；以及
36、與所述至少一個處理器通信連接的存儲器；其中，
37、所述存儲器存儲有可被所述至少一個處理器執行的計算機程序，所述計算機程序被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如上述第一方面所述的振幅處理網絡的訓練方法或者如上述第二方面所述的振幅處理方法。
38、本專利技術的第六方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如上述第一方面所述的振幅處理網絡的訓練方法或者如上述第二方面所述的振幅處理方法。
39、本專利技術的第七方面提供了一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現如上述第一方面所述的振幅處理網絡的訓練方法或者如上述第二方面所述的振幅處理方法。
40、在本實施例中，在多個時刻上對抽水蓄能機組采集到原始振幅數據時，加載振幅處理網絡；振幅處理網絡包括第一編碼器、第二編碼器、特征交互模塊、解碼器與多任務處理模塊；將各個時刻的原始振幅數據分別輸入第一編碼器中編碼第一原始振幅特征；將多個時刻的原始振幅數據同時輸入第二編碼器中編碼第二原始振幅特征；將多個第一原始振幅特征與第二原始振幅特征輸入特征交互模塊中交互為融合振幅特征；將融合振幅特征輸入解碼器中解碼為目標振幅特征；將目標振幅特征輸入多任務處理模塊生成多個振幅任本文檔來自技高網...
【技術保護點】
1.一種振幅處理網絡的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征，包括：
3.根據權利要求2所述的方法，其特征在于，
4.根據權利要求3所述的方法，其特征在于，所述計算所述第一候選振幅特征相對于所述第二候選振幅特征的注意力權重，包括：
5.根據權利要求1-4中任一項所述的方法，其特征在于，所述多任務處理模塊包括序列預測模塊、工況分類模塊與異常判別器，多個所述振幅任務信息包括目標振幅數據、目標工況狀態與異常判別標簽；
6.根據權利要求5所述的方法，其特征在于，所述依據多個所述振幅任務信息生成總損失值，包括：
7.根據權利要求5所述的方法，其特征在于，所述第一編碼器為應用自注意力機制的骨干網絡，所述應用自注意力機制的骨干網絡包括神經網絡Transformer，所述第二編碼器為長短期記憶網絡，所述解碼器為長短期記憶網絡；
8.一種振幅處理方法，其特征在于，包括：
9.一種
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1-7中任一項所述的振幅處理網絡的訓練方法或者如權利要求8所述的振幅處理方法。
...【技術特征摘要】
1.一種振幅處理網絡的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將多個所述第一原始振幅特征與所述第二原始振幅特征輸入所述特征交互模塊中交互為融合振幅特征，包括：
3.根據權利要求2所述的方法，其特征在于，
4.根據權利要求3所述的方法，其特征在于，所述計算所述第一候選振幅特征相對于所述第二候選振幅特征的注意力權重，包括：
5.根據權利要求1-4中任一項所述的方法，其特征在于，所述多任務處理模塊包括序列預測模塊、工況分類模塊與異常判別器，多個所述振幅任務信息包括目標振幅數據、目標工況狀態與異常判別標簽；
6.根據權利要求5所述的...
【專利技術屬性】
技術研發人員：鞏宇，劉軒，吳昊，王彬，熊江翱，雷俊雄，王卓藝，鄒佳衡，趙亞康，陳緒濱，凌鵬，賈亞琳，楊海霞，聶靚靚，張若羿，
申請(專利權)人：南方電網調峰調頻發電有限公司檢修試驗分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。