[发明专利]基于故障数据深度挖掘及学习的故障诊断方法

权利要求书

1.一种基于历史数据挖掘及深度学习的故障诊断方法，其特征在于，包括：

步骤1：对发电机组历史数据进行采集、预处理后采用深度长短时记忆网络算法进行学习和训练，得到故障数据筛选模型后遍历海量历史数据库，筛选形成故障数据样本集；

步骤2：对故障数据样本集采用Medoids周围分类法估计故障类型数目，采用K-Means聚类算法进行聚类分析，形成多类典型故障样本集；

步骤3：对多类典型故障样本集采用LSTM神经网络算法进行训练和学习，建立故障诊断模型；

步骤4：基于故障诊断模型对系统实时运行数据进行监测，对系统运行状态进行判别并记录新产生的故障样本，利用更新后的多类典型故障样本集对故障诊断模型进行更新；

所述预处理包括：对历史数据进行里离散点检测、缺失值补全和归一化处理，将特征缩放到特定区间，保留了原有的分布，使得神经网络快速收敛；

所述深度长短时记忆网络算法包括：遗忘门、输入门、记忆门和输出门；

所述步骤1中的训练采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化；

所述筛选形成故障数据样本集包括：用故障数据筛选模型进行前向计算，将故障数据筛选模型的预测值与历史实际值进行比较，根据皮尔逊相关系数进行数据异常判别，挖掘系统故障数据并形成故障数据样本集；

所述步骤3包括：在LSTM神经网络的输出层之后添加一个适用于多分类的激活函数，得到最终各个分类的概率值并且概率值总和为1；

所述激活函数采用Softmax激活函数。