[发明专利]发电机故障诊断及预测方法

权利要求书

1.发电机故障诊断及预测方法，其特征在于，包括以下步骤：

获取发电机正常运行的历史数据，构建发电机数据库，采用皮尔逊相关系数确定发电机关键部件的温度变化相关检测特征；

采集发电机实时运行的状态数据信息，提取所述发电机关键部件的实时运行温度变化数据；

利用温度变化相关检测特征，构建基于CNN-LSTM的温度预测模型；

通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练，预测发电机关键部位的温度，将得到的温度预测值与实时采集到的温度值作差，得到温度残差，将得到的温度残差与预设的温度残差阈值比较进行发电机的故障诊断，结合温度残差的变化进行温升预警以实现故障预测。

2.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，在构建发电机数据库时，对数据库中的数据进行预处理，删除空值和具有明显错误的数据。

3.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，在发电机数据库中提取发电机某一部件的温度序列，记作X，将发电机数据库中的其他各个观测特征数据序列记作Y_i(即各个观测特征序列分别为Y₁，Y₂，……，Y_n)，则温度序列X与其他各个观测特征数据序列Y_i的皮尔逊相关系数R_i为：

4.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，利用注意力机制，对CNN深度学习算法和LSTM深度学习算法所提取的数据特征进行融合，求取相应的权值，最大限度的保留数据所包含的所有关键特征。

5.如权利要求4中所述的发电机故障诊断及预测方法，其特征在于，通过注意力机制加权CNN组合抽象局部特征的能力和LSTM时间维度的特征表达，以实现CNN和LSTM的平衡输出；在所有的时间维度上，通过空间特征准确反映数据的非线性变化，并通过LSTM时序记忆功能实现平稳输出。

6.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练之前，通过CNN获取实时运行温度变化数据的空间特征，构建实时运行温度变化的时空特征矩阵。

7.如权利要求6中所述的发电机故障诊断及预测方法，其特征在于，基于CNN-LSTM的温度预测模型进行实时运行温度变化数据训练，具体步骤如下：

将构建的实时运行温度变化的时空特征矩阵划分为训练集和测试集；

确定卷积网络卷积核大小和池化方式；

初始化CNN-LSTM网络模型的所有权重参数；

向前传播计算出网络层神经元的输出值；

向后传播计算出网络层神经元的误差项；

根据训练误差，计算出每个参数的梯度；

利用优化算法完成权重参数更新，持续迭代到总误差收敛位置，停止训练；

输出CNN-LSTM模型预测结果。

8.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，所述实时采集到的温度值通过SCADA系统对发电机实时监控得到，表示发电机关键部位的当前状态。

9.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，所述温度残差是温度预测值与实时采集到的温度值只检测差值，表示发电机关键部件当前状态偏离正常状态的程度，利用温度残差及时捕捉故障的早期特征。

10.如权利要求1中所述的发电机故障诊断及预测方法，其特征在于，所述温度残差阈值通过发电机正常运行状态下的温度残差均值和发电机故障状态下的温度残差均值来确定。