CN110378870B - 一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法 - Google Patents

Abstract

本发明公开了一种基于ResNet‑GRU网络的汽轮机叶片水蚀程度判别方法，包括：采集获取汽轮机叶片水蚀历程中的水蚀形貌图片及失重数据，使得水蚀历程中每个时刻t都对应一幅水蚀形貌图片X_t；将失重数据进行拟合，绘制水蚀特性曲线，确定转捩点时刻t0；根据每个时刻t与转捩点时刻t0的先后关系，确定每个时刻t的水蚀寿命系数ζ；将每个时刻的水蚀寿命系数ζ与该时刻的水蚀形貌图片X_t对应，获得训练集；将待判别的汽轮机叶片水蚀区域图片输入通过训练集训练好的ResNet‑GRU网络中，通过网络输出水蚀寿命系数；根据获得的水蚀寿命系数完成汽轮机叶片水蚀程度判别。本发明的水蚀程度判别方法不依赖专家经验估计，可实现较精确的汽轮机叶片水蚀程度判别。

Description

一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法

技术领域

本发明属于水蚀程度判别技术领域，特别涉及一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法。

背景技术

水蚀现象普遍存在于火电汽轮机和核电汽轮机湿蒸汽级动叶片上。在汽轮机内蒸汽膨胀做功，越过饱和线后，会有水滴凝结析出使水蒸气湿度增加。蒸汽中的液滴冲击到固体材料表面使其破坏，产生液滴冲蚀，发生在汽轮机叶片上的水滴冲蚀，简称水蚀。目前叶片水蚀问题是全世界的难题之一。汽轮机叶片水蚀降低透平级效率，同时削弱了叶片基体，改变了叶片的振动特性，并引发裂纹源，对叶片的可靠性造成危害，严重时会引起叶片的断裂破坏等恶性事故。此外，材料水蚀问题还普遍存在于其他化工机械、动力机械及飞行器中，例如泵、风机、压缩机以及飞机的螺旋桨等。因此，研发水蚀程度的判别方法和试验研究，对于保障汽轮发电机组等工业设备安全运行、减少重大的经济损失和避免灾难性事故的发生具有十分重要的意义。

目前，各大制造厂采用被动防护措施进行叶片防水蚀，主要目的是减缓叶片水蚀速度从而延长叶片使用寿命；但是现有的水蚀程度判别主要依赖经验值，存在以下两方面的缺陷：难以较精确地确定已水蚀叶片维护或更换周期；根据叶片表面形貌无法确定叶片的剩余使用寿命。

综上，亟需一种较精确的汽轮机叶片水蚀程度判别方法。

发明内容

本发明的目的在于提供一种基于ResNet-GRU网络的水蚀程度判别方法，以解决上述存在的一个或多个技术问题。本发明的水蚀程度判别方法不依赖专家经验估计，可实现较精确的水蚀程度判别。

为达到上述目的，本发明采用以下技术方案：

一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，包括以下步骤：

S1，采集获取汽轮机叶片水蚀历程中每个时刻t的水蚀形貌图片及失重数据，使得水蚀历程中每个时刻t都对应一幅水蚀形貌图片X_t；将采集获取的失重数据进行拟合，绘制获得水蚀特性曲线，确定转捩点时刻t0；根据水蚀历程中每个时刻t与转捩点时刻t0的先后关系，确定每个时刻t的水蚀寿命系数ζ；将每个时刻的水蚀寿命系数ζ与该时刻的水蚀形貌图片X_t对应，获得训练集；

S2，通过步骤S1获得的训练集训练预构建的ResNet-GRU网络，获得训练好的ResNet-GRU网络，用于汽轮机叶片水蚀程度判别；

其中，ResNet-GRU网络包括ResNet神经网络和GRU神经网络；ResNet神经网络用于接收采集的水蚀形貌图片，提取水蚀图像特征并降维后输出；GRU神经网络用于接收ResNet神经网络输出的水蚀图像特征，并分析预测获得水蚀寿命系数；

S3，将待判别的汽轮机叶片水蚀区域图片输入步骤S2获得的训练好的ResNet-GRU网络中，通过训练好的ResNet-GRU网络输出水蚀寿命系数；根据获得的水蚀寿命系数完成汽轮机叶片水蚀程度判别。

本发明的进一步改进在于，步骤S1中，采集获取汽轮机叶片水蚀历程中每个时刻t的水蚀形貌图片及失重数据的方法包括：通过汽轮机叶片真实水蚀过程采集，或者通过对汽轮机叶片水蚀过程进行加速模拟实验获得。

本发明的进一步改进在于，步骤S1中，对汽轮机叶片水蚀过程进行加速模拟实验具体包括：基于汽轮机叶片旋转水蚀性能测试平台，使用局部高速射流循环撞击，根据ASTM-G73标准进行加速水蚀特性测试；

对若干汽轮机叶片试验件的水蚀过程进行加速实验模拟，每经过预设时间间隔拆下试验件进行水蚀形貌图片拍摄及失重数据采集。

本发明的进一步改进在于，步骤S3中，根据获得的水蚀寿命系数完成汽轮机叶片水蚀程度判别的具体步骤包括：

将水蚀历程中时刻[0,t0]归一化为[0,1]；当获得的ζ≥1时，则汽轮机叶片已严重损坏，剩余使用寿命为0；当0＜ζ＜1时，求取对应时刻t的汽轮机叶片剩余使用寿命T，计算公式为T＝t×(1-ζ)/ζ。

本发明的进一步改进在于，步骤S1中，根据水蚀历程中每个时刻t与转捩点时刻t0的先后关系，确定每个时刻t的水蚀寿命系数ζ；将每个时刻的水蚀寿命系数ζ与该时刻的水蚀形貌图片X_t对应，获得训练集的具体步骤包括：

将水蚀历程中时刻[0,t0]归一化为[0,1]；当ζ≥1时，为汽轮机叶片已严重损坏，剩余使用寿命为0；当0＜ζ＜1时，计算获得对应时刻t的汽轮机叶片剩余使用寿命T，计算公式为T＝t×(1-ζ)/ζ；

将每个时刻t的水蚀形貌图片X_t与该时刻剩余使用寿命进行对应，获得训练集。

本发明的进一步改进在于，步骤S2中，通过步骤S1获得的训练集训练预构建的ResNet-GRU网络，获得训练好的ResNet-GRU网络，用于汽轮机叶片水蚀程度判别，并得出汽轮机叶片的剩余使用寿命；

其中，ResNet-GRU网络包括ResNet神经网络和GRU神经网络；ResNet神经网络用于接收采集的水蚀形貌图片，提取水蚀图像特征并降维后输出；GRU神经网络用于接收ResNet神经网络输出的水蚀图像特征，并分析预测获得水蚀寿命系数及汽轮机叶片的剩余使用寿命。

本发明的进一步改进在于，步骤S3中，将待判别的汽轮机叶片水蚀区域图片输入步骤S2获得的训练好的ResNet-GRU网络中，通过训练好的ResNet-GRU网络输出水蚀寿命系数及汽轮机叶片的剩余使用寿命；根据获得的水蚀寿命系数及汽轮机叶片的剩余使用寿命完成汽轮机叶片水蚀程度判别。

本发明的进一步改进在于，步骤S2中，预构建的ResNet-GRU网络训练过程具体包括：

首先，将获得的水蚀形貌图片传入ResNet神经网络后，通过特征提取器处理，形成包含形貌特征的数据；然后，将包含形貌特征的数据传入GRU神经网络中，在GRU神经网络中进行迭代学习获得有效特征；

在ResNet-GRU网络模型的末端设置有一个激活函数，用于作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终全连接层的输出为水蚀寿命系数。

本发明的进一步改进在于，步骤S2中，预构建的ResNet-GRU网络中的ResNet神经网络基于传统的ResNet-18网络架构，并引入跳层连接，以实现同时捕捉边角等低层细节和高层信息。

本发明的进一步改进在于，步骤S2中，预构建的ResNet-GRU网络训练的具体方法包括：

通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络，并在训练过程中加入dropout方法。

与现有技术相比，本发明具有以下有益效果：

本发明的汽轮机叶片水蚀程度判别方法，不借助专家经验、相关专业知识及复杂机理分析，基于ResNet及GRU神经网络，通过采集水蚀形貌图片及失重数据进行学习训练，能够端对端地实现从汽轮机叶片的检修数据到水蚀状态的精准判别，可用于汽轮机发电机组的寿命预测以及大修周期的修正，能够降低维护检修成本，保障汽轮发电机组的安全运行。本发明能够获得发生水蚀叶片的水蚀程度，可提高检修处理的效率及针对性，能够降低检修成本。

本发明能够预测叶片的剩余使用寿命，避免叶片突然失效，可保证汽轮机安全运行；获得的判别结果可为汽轮机的检修及实际使用提供理论指导。

本发明的方法计算速度快、计算精度高，工程应用不需要进行复杂的机理分析及丰富的专业经验，能够通过训练好的网络模型实现对汽轮机叶片水蚀状态的判别。具体体现在：(1)本发明的方法可进行汽轮机叶片的水蚀状态判别，有助于工业推广应用；(2)本发明所采用的ResNet卷积神经网络能够对叶片材料的水蚀图像进行处理，经过处理后的信号数据能够很好的匹配网络结构，实现对信号的准确识别；(3)本发明所采用的GRU神经网络能够极大地减少网络学习的计算空间并提升训练效率，同时能够实现对处理后数据的精准学习，获得较高的预测精度。

进一步地，在训练过程中加入了dropout方法，减轻可能出现的过拟合现象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种基于ResNet-GRU网络的水蚀程度判别方法的流程示意框图；

图2是本发明实施例的一种基于ResNet-GRU网络的水蚀程度判别方法中使用的材料水蚀特性曲线划分示意图；

图3是本发明实施例的一种基于ResNet-GRU网络的水蚀程度判别方法中构建的ResNet-GRU神经网络架构的示意图；

图4是本发明实施例中采集出的水蚀图像示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

请参阅图1，本发明实施例的一种基于ResNet-GRU网络的水蚀程度判别方法，包括以下步骤：

1)、模拟实验与数据采集：基于汽轮机叶片材料旋转水蚀性能测试平台，使用局部高速射流循环撞击，对汽轮机叶片材料的水蚀过程进行加速实验模拟；制作若干汽轮机叶片试验件，根据ASTM-G73标准进行加速水蚀特性测试，每经过一定预设时间间隔拆下试验件进行水蚀形貌图片拍摄和失重数据采集。

2)、实验数据处理及训练集、验证集划分：对步骤1)获得的失重数据进行拟合，绘制汽轮机叶片材料水蚀特性曲线，并确定潜伏期、加速期和稳定期各阶段的转捩点时间。当材料进入水蚀稳定期，认为叶片已严重损坏；定义水蚀寿命系数ζ，将材料水蚀历程[0,t0]进行归一化[0,1]；当ζ＞1时，则认为材料已严重损坏；当0＜ζ＜1时，则可根据材料实际已使用时间t计算剩余使用寿命T＝t×(1-ζ)/ζ。此外，由于水蚀形貌在转捩点附近变化最剧烈，因此汽轮机叶片材料水蚀图像采集数据分布大致按照水蚀潜伏加速转捩点附近、水蚀加速稳定转捩点附近和其他时间这三个阶段平均分布，尽可能多的采集材料水蚀图像数据，用于后续的图像预测。

完成实验后可以获得如下数据：t时刻的水蚀形貌图片X_t以及该图片所表示的材料水蚀寿命系数ζ_t。利用图像旋转、插值等前处理操作扩充图片集数量，然后按照训练集/验证集＝4.0的比例，分为训练集数据{X_t}_train、{ζ_t}_train和验证集数据{X_t}_validation、{ζ_t}_validation，并随机打乱训练集数据。

4)、建立基于GRU的神经网络结构：整个神经网络主要由两个主要部分组成，即用于对原始图片进行特征提取和降维的ResNet神经网络及用于对数据进行分析预测获得水蚀寿命系数的GRU神经网络。

由实验获得的水蚀形貌图片传入ResNet神经网络后，通过特征提取器的处理，形成包含材料形貌特征的数据；经过处理后的输入信息传入到GRU神经网络中，GRU神经网络中进行迭代学习获得有效的特征；在模型的末端加入一个激活函数作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终全连接层的输出为水蚀寿命系数ζ_t。

每一个训练数据信号{X_t}_train通过神经网络的主体结构输出得到该图片所显示的材料水蚀寿命系数ζ_t。

5)、训练网络：通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络，在训练过程中加入了dropout方法，减轻可能出现的过拟合现象。

6)叶片水蚀寿命预测分析：在汽轮机厂进行大修时，拍摄叶片出现水蚀现象的区域照片，作为测试集{X_t}_test输入到训练好的模型中，输出其所处的水蚀寿命系数{ζ_t}_test，当ζ＞1时，则认为材料已严重损坏，应当立即更换处理；当0＜ζ＜1时，则可根据材料实际已使用时间t计算剩余使用寿命T＝t×(1-ζ)/ζ，从而提前设置下一次大修所要进行的时间。

本发明的判别方法，不借助相关专业知识和复杂机理分析，是一种实现快速、高精度、便捷的汽轮机叶片水蚀程度判别方法。本发明的方法基于ResNet及GRU神经网络，对叶片材料水蚀加速模拟实验所采集的图像进行学习训练后，能够实现对汽轮机叶片水蚀状态的判别，可用于汽轮机发电机组的寿命预测以及大修周期的修正，降低维护检修成本，保障汽轮发电机组的安全运行。本发明的评估方法能够获得发生水蚀叶片的水蚀程度，可提高检修处理的效率及针对性，能够降低检修成本；能够预测叶片的剩余使用寿命，可避免叶片突然失效，保证汽轮机安全运行；获得的结果可为汽轮机的检修及实际使用提供理论指导。本发明的方法计算速度快、计算精度高，工程应用不需要进行复杂的机理分析及丰富的专业经验，能够端对端地实现从汽轮机叶片的检修数据到水蚀状态的精准判别。具体体现在：(1)基于本方法可进行汽轮机叶片的水蚀状态判别，不需要对振动信号进行复杂的处理，有助于推广应用；(2)本发明所采用的ResNet卷积神经网络能够对叶片材料的水蚀图像进行处理，经过处理后的信号数据能够很好的匹配网络结构，实现对信号的准确识别；(3)本发明所采用的GRU神经网络能够极大地减少网络学习的计算空间并提升训练效率，同时能够实现对处理后数据的精准学习，获得较高的预测精度。

综上，本发明的基于ResNet-GRU神经网络的汽轮机叶片水蚀程度判别方法，包括：进行汽轮机叶片的加速水蚀实验模拟，获得潜伏期、加速期和稳定期各阶段的叶片水蚀图像及对应的水蚀寿命系数；对采集数据进行预处理及扩充数据并划分训练集、验证集；架构基于ResNet神经网络及GRU神经网络的模型，采用自适应更新网络学习率的策略对训练集和验证集进行网络训练，至预设收敛条件，获得训练好的基于判别模型；结合实际判别任务，并最终对来源于电厂的汽轮机叶片水蚀图像进行模型判别，实现汽轮机叶片的水蚀程度判别。本发明采用ResNet-GRU神经网络，能够快速判别汽轮机叶片的水蚀程度，且准确率高；且不借助专家经验以及复杂机理知识，实现快速、高精度、可维护、便捷的水蚀程度判别方法。本发明的方法不仅适用于汽轮机叶片的水蚀程度判别，同时可以根据实际问题推广至各种材料的水蚀程度判别。

实施例

请参阅图1至图3，本发明实施例的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，包括以下步骤：

1)、模拟实验与数据采集，即利用实验台框架进行叶片的加速水蚀实验，获得深度学习的原始数据，该步骤亦可通过真实叶片的水蚀过程图像采集获得。

具体为，制作若干材料的试验件，根据ASTM-G73标准进行加速水蚀特性测试，基于汽轮机叶片材料旋转水蚀性能测试平台，使用局部高速射流循环撞击，对叶片材料的水蚀过程进行加速实验模拟，每经过预设时间间隔拆下试验件进行水蚀形貌图片拍摄和失重数据采集。在采集的过程中，需要按照采集数据分布大致按照水蚀潜伏加速转捩点附近、水蚀加速稳定转捩点附近和其他时间这三个阶段平均分布这一原则进行，尽可能多的采集材料水蚀图像数据。完成试验后，可以获得在水蚀周期中某一t时刻的水蚀形貌图片X_t。

2)、实验数据处理及训练集、验证集划分：根据所获得的实验数据进行失重数据拟合，绘制材料水蚀特性曲线，确定潜伏期、加速期和稳定期各阶段的转捩点时间。当材料进入水蚀稳定期，可认为叶片已严重损坏，定义水蚀寿命系数ζ，将材料水蚀历程[0,t0]进行归一化[0,1]。当ζ＞1时，则认为材料已严重损坏；当0＜ζ＜1时，则可根据材料实际已使用时间t计算剩余使用寿命T＝t×(1-ζ)/ζ。本实施例中的材料水蚀特性曲线如图2所示，图中标注的t2即为所述的转捩点时间t0。

此外，由于水蚀形貌在转捩点附近变化最剧烈，因此材料水蚀图像采集数据分布按照水蚀潜伏加速转捩点附近、水蚀加速稳定转捩点附近和其他时间这三个阶段平均分布，采集材料水蚀图像数据，用于后续的图像预测，本实施例中采集出的水蚀图像如图4所示。完成实验后可以获得如下数据：t时刻的水蚀形貌图片X_t以及这一图片所表示的材料水蚀寿命系数ζ_t。

利用图像旋转、缩放、插值、裁剪等操作扩充图片数据集，然后按照训练集/验证集＝4.0的比例，分为训练集数据{X_t}_train、{ζ_t}_train和验证集数据{X_t}_validation、{ζ_t}_validation，并随机打乱训练集数据。

4)、建立基于GRU的神经网络结构：整个神经网络主要由两个主要部分组成，即用于对原始图片进行特征提取和降维操作的ResNet网络及用于对数据进行分析预测获得水蚀寿命系数的GRU网络。

使用了ResNet神经网络提取材料水蚀图像特征，接着使用GRU神经网络进行材料水蚀寿命的预测，具体网络的示意图如图3所示。

在ResNet网络部分，基于传统的ResNet-18网络架构，在部分网络层减少步长。此外还引入了跳层连接，形成112×112×256的张量以实现同时捕捉边角等低层细节和高层信息。具体网络层内的操作还包括3x3卷积核、组归一化、ReLU、最大池化等。其参数如表1所示。

GRU网络部分接受ResNet所输出的特征图，经过模型的特征融合，在模型的末端加入一个激活函数作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终全连接层的输出为水蚀寿命系数ζ_t输出根据图像所预测出的寿命系数。

表1 ResNet神经网络结构参数表

每一个训练数据信号{X_t}_train通过这一ResNet-GRU神经网络输出得到该图片所显示的材料水蚀寿命系数ζ_t。

5)、训练网络：通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络，当损失函数在100步内不更新或者迭代步数超过1000时停止学习，保存网络模型。

6)叶片水蚀寿命预测分析：在汽轮机厂进行大修时，拍摄叶片出现水蚀现象的区域照片，作为测试集{X_t}_test输入到训练好的模型中，输出其所处的水蚀寿命系数{ζ_t}_test，当ζ＞1时，则认为材料已严重损坏，应当立即更换处理；当0＜ζ＜1时，则可根据材料实际已使用时间t计算剩余使用寿命T＝t×(1-ζ)/ζ，从而提前设置下一次大修所要进行的时间。

综上所述，水蚀寿命预测可以认为是对图像进行识别分析的问题，人工智能算法的实现不需要用户具有很丰富的工程知识或经验，可以从图像数据中直接挖掘水蚀特征，且最终的模型具有体积小、速度快、可迁移性强的特点，适合应用于汽轮机叶片的水蚀寿命预测。为了检测汽轮机叶片的水蚀程度，保障汽轮发电机组安全运行，本发明提出了一种基于ResNet-GRU神经网络的汽轮机叶片水蚀程度判别方法，首先对汽轮机叶片进行加速水蚀实验模拟，获得潜伏期、加速期和稳定期各阶段的叶片水蚀图像及对应的水蚀寿命系数。然后对采集数据进行预处理并划分训练集、验证集。接着架构基于ResNet神经网络及GRU神经网络的模型，采用自适应更新网络学习率的策略对训练集和验证集进行网络训练，最后结合实际判别任务，并最终对来源于电厂的汽轮机叶片水蚀图像进行模型判别，实现汽轮机叶片的水蚀程度判别。本发明提供的判别方法，不借助专家经验以及复杂机理知识，能够实现快速、高精度、可维护、便捷的水蚀程度判别方法；其基于人工智能算法，能够很好地处理水蚀图像实现水蚀程度判别，而基于人工智能算法获得的模型具有体积小、速度快、可迁移性强的特点，适合应用于工业现场的水蚀程度判别。本发明可解决传统水蚀判别方法中依赖专家经验及无法确定叶片的剩余使用寿命导致判别效率低、难以工业推广等问题。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (9)

1.一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，包括以下步骤：

S1，采集获取汽轮机叶片水蚀历程中每个时刻t的水蚀形貌图片及失重数据，使得水蚀历程中每个时刻t都对应一幅水蚀形貌图片X_t；将采集获取的失重数据进行拟合，绘制获得水蚀特性曲线，并确定转捩点时刻t0；根据水蚀历程中每个时刻t与转捩点时刻t0的先后关系，确定每个时刻t的水蚀寿命系数ζ；将每个时刻的水蚀寿命系数ζ与该时刻的水蚀形貌图片X_t对应，获得训练集；

S2，通过步骤S1获得的训练集训练预构建的ResNet-GRU网络，获得训练好的ResNet-GRU网络，用于汽轮机叶片水蚀程度判别；

其中，ResNet-GRU网络包括ResNet神经网络和GRU神经网络；ResNet神经网络用于接收采集的水蚀形貌图片，提取水蚀图像特征并降维后输出；GRU神经网络用于接收ResNet神经网络输出的水蚀图像特征，并分析预测获得水蚀寿命系数；

S3，将待判别的汽轮机叶片水蚀区域图片输入步骤S2获得的训练好的ResNet-GRU网络中，通过训练好的ResNet-GRU网络输出水蚀寿命系数；根据获得的水蚀寿命系数完成汽轮机叶片水蚀程度判别；

其中，步骤S2中，预构建的ResNet-GRU网络训练过程具体包括：

首先，将获得的水蚀形貌图片传入ResNet神经网络后，通过特征提取器处理，形成包含形貌特征的数据；然后，将包含形貌特征的数据传入GRU神经网络中，在GRU神经网络中进行迭代学习获得有效特征；

在ResNet-GRU网络模型的末端设置有一个激活函数，用于作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终全连接层的输出为水蚀寿命系数。

2.根据权利要求1所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，

步骤S1中，采集获取汽轮机叶片水蚀历程中每个时刻t的水蚀形貌图片及失重数据的方法包括：通过汽轮机叶片真实水蚀过程采集，或者通过对汽轮机叶片水蚀过程进行加速模拟实验获得。

3.根据权利要求2所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S1中，对汽轮机叶片水蚀过程进行加速模拟实验具体包括：

基于汽轮机叶片旋转水蚀性能测试平台，使用局部高速射流循环撞击，根据ASTM-G73标准进行加速水蚀特性测试；

对若干汽轮机叶片试验件的水蚀过程进行加速实验模拟，每经过预设时间间隔拆下试验件进行水蚀形貌图片拍摄及失重数据采集。

4.根据权利要求1所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S3中，根据获得的水蚀寿命系数完成汽轮机叶片水蚀程度判别的具体步骤包括：

将水蚀历程中时刻[0,t0]归一化为[0,1]；当获得的ζ≥1时，则汽轮机叶片已严重损坏，剩余使用寿命为0；当0＜ζ＜1时，求取对应时刻t的汽轮机叶片剩余使用寿命T，计算公式为T＝t×(1-ζ)/ζ。

5.根据权利要求1所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S1中，根据水蚀历程中每个时刻t与转捩点时刻t0的先后关系，确定每个时刻t的水蚀寿命系数ζ；将每个时刻的水蚀寿命系数ζ与该时刻的水蚀形貌图片X_t对应，获得训练集的具体步骤包括：

将水蚀历程中时刻[0,t0]归一化为[0,1]；当ζ≥1时，为汽轮机叶片已严重损坏，剩余使用寿命为0；当0＜ζ＜1时，计算获得对应时刻t的汽轮机叶片剩余使用寿命T，计算公式为T＝t×(1-ζ)/ζ；

将每个时刻t的水蚀形貌图片X_t与该时刻剩余使用寿命进行对应，获得训练集。

6.根据权利要求5所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S2中，通过步骤S1获得的训练集训练预构建的ResNet-GRU网络，获得训练好的ResNet-GRU网络，用于汽轮机叶片水蚀程度判别，并得出汽轮机叶片的剩余使用寿命；

其中，ResNet-GRU网络包括ResNet神经网络和GRU神经网络；ResNet神经网络用于接收采集的水蚀形貌图片，提取水蚀图像特征并降维后输出；GRU神经网络用于接收ResNet神经网络输出的水蚀图像特征，并分析预测获得水蚀寿命系数及汽轮机叶片的剩余使用寿命。

7.根据权利要求6所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S3中，将待判别的汽轮机叶片水蚀区域图片输入步骤S2获得的训练好的ResNet-GRU网络中，通过训练好的ResNet-GRU网络输出水蚀寿命系数及汽轮机叶片的剩余使用寿命；根据获得的水蚀寿命系数及汽轮机叶片的剩余使用寿命完成汽轮机叶片水蚀程度判别。

8.根据权利要求1所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S2中，预构建的ResNet-GRU网络中的ResNet神经网络基于传统的ResNet-18网络架构，并引入跳层连接，以实现同时捕捉边角等低层细节和高层信息。

9.根据权利要求1所述的一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法，其特征在于，步骤S2中，预构建的ResNet-GRU网络训练的具体方法包括：

通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络，并在训练过程中加入dropout方法。

Images