一种基于改进的LSTM-MLP的小型发电机故障预测方法技术

本发明专利技术涉及一种基于改进的LSTM‑MLP的小型发电机故障预测方法，属于人工智能和机器学习技术领域。该方法包括基于改进的LSTM‑MLP与多层感知机两种模型，通过输入小型发电机组DTU模块所采集的数据进行预测的输入，在网络中改进的LSTM网络作为前置网络负责小型发电机组的状态预测，多层感知机作为后置网络负责小型发电机组故障分类并对整个系统的结果进行输出。本发明专利技术通过改进LSTM网络结构，通过在网络的门控结构中引入上个时序状态和本时序状态的协方差作为权重系数，进一步提高了LSTM网络预测的准确率，增加了小型发电机的可靠使用时间，并减少了发电机组运维所需要的人力成本。

【技术实现步骤摘要】
一种基于改进的LSTM-MLP的小型发电机故障预测方法
本专利技术属于人工智能和机器学习
，涉及一种基于改进的LSTM-MLP的小型发电机故障预测方法。
技术介绍
故障预测是工业设备中非常关键的一环，近些年来，生产制造模式的创新、新兴技术的出现，“智能制造诊断评价”成为了工业中必不可少的系统之一。传统的故障诊断和预测技术大部分依靠专家系统或人工评定进行，小型发电机设备运维企业大多不能支付高额的专家咨询费用。设备故障诊断和预测性维护作为整个智能诊断系统中的一大内容，是制造业向着智能化、数字化方向转型升级中必须跨过的一道关口。通过引入人工智能前沿技术，设备的运行和维护工作可以做到智能化和提前化；物联网技术的加入，也给传感器采集设备信息带来了更多的便利；云数据平台的出现使得复杂的运算可以在远程云端进行从而补足了可移动设备本身算力不足的缺点。一套合理并优秀的故障预测与运行维护系统，可以减少设备维护的成本，并且大大提高设备的运行寿命。LSTM长短期记忆人工神经网络作为RNN循环神经网络中的一种，在时间序列预测中有着优秀的表现。LSTM网络相本文档来自技高网...

【技术保护点】
1.一种基于改进的LSTM-MLP的小型发电机故障预测方法，其特征在于，该方法具体包括以下步骤：/nS1：发电机数据传输单元(Data Transfer unit，DTU)模块采集数据；/nS2：对采集的数据进行预处理，包括：对噪声大的数据进行剔除，对噪声小的数据进行缺失值填补，并将数据转换向量格式，最后将数据根据时间序列进行排序；/nS3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；/nS4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；/nS5：输出故障的生成几率并发送至相应的设备。/n

【技术特征摘要】
1.一种基于改进的LSTM-MLP的小型发电机故障预测方法，其特征在于，该方法具体包括以下步骤：
S1：发电机数据传输单元(DataTransferunit，DTU)模块采集数据；
S2：对采集的数据进行预处理，包括：对噪声大的数据进行剔除，对噪声小的数据进行缺失值填补，并将数据转换向量格式，最后将数据根据时间序列进行排序；
S3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；
S4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；
S5：输出故障的生成几率并发送至相应的设备。


2.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S1中，发电机DTU模块每隔60分钟采集一次数据，并输出CSV格式。


3.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S2中，对采集的数据进行预处理，具体包括：采集的数据为N×11的二维矩阵，数据标签分别为time,dtu_num,p_load,p_active,v_generatingline,v_generationphase,v_frequency,temperature_water,pressure_oil,rotating_speed,failure_code；分别代表数据采集时间、DTU模块编号、负载功率、总有功功率、发电线电压、发电相电压、发电频率、水温值、油温值、转速、错误代码，共十一个发电机参数；将dtu_num列删除并将time作为时间序列识别码；完成删除后，判断每条数据是否存在缺失值，判断完成后对存在缺失值的数据进行处理。


4.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S3中，改进的LST...

【专利技术属性】
技术研发人员：付蔚，张珂汇，童世华，邓杰铭，张棚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50